1.一种基于多路特征加权的残差卷积神经网络图像分类方法，其特征在于，所述方法包括以下步骤：

1)首先，模型的输入图像为经过预处理的原始图像，经过预处理的图像裁剪为一个固定尺寸；

2)对图像进行较大尺寸的卷积操作和池化操作；

3)将步骤2)中输出的特征送入第一个多路特征加权残差模块，所述多路特征加权残差模块由多个卷积组和一个加权组合模块构成：每个卷积组内都包含一个或多个卷积层，每一个卷积组之间的卷积层配置应该各不相同，以保证卷积核尺寸的多样性；同时，网络中的特征图像在经过某些多路特征加权残差模块时，特征图像的尺寸会相应减小，所以为了保证每个卷积组的输出特征图尺寸保持一致，有些卷积组内也包含池化层；

所有卷积组的输出会被送入加权组合模块进行整合，具体的加权组合方法是对每一个卷积组的输出特征乘以一个随机初始化的不同参数k，并将上述经过加权后的卷积组输出在特征通道进行拼接；拼接后的组合特征将与多路特征加权残差模块的输入相加作为整个多路特征加权残差模块的输出；

4)将步骤3)中多路特征加权残差模块的输出继续送入下一个多路特征加权残差模块，在经过多个多路特征加权残差模块后，输出的特征图像尺寸会逐渐缩小直至变为一个10×

10以内的较小尺寸，最后经过一个平均池化层缩小为特征点；所得特征点直接送入分类层进行分类或经过全连接层后再进行分类。

2.如权利要求1所述的一种基于多路特征加权的残差卷积神经网络图像分类方法，其特征在于，所述方法还包括以下步骤：

5)在模型训练开始阶段，加权系数k和卷积核内系数通过多种方式随机初始化，最终用于分类的网络参数将在反向传播过程中不断优化直至获得最优值。

3.如权利要求1或2所述的一种基于多路特征加权的残差卷积神经网络图像分类方法，其特征在于，所述步骤2)中，卷积核尺寸设置为7×7、步长为2的卷积和尺寸为3×3、步长为

2的最大池化；根据步骤1)中裁剪后的输入图像做尺寸上的修改。

4.如权利要求1或2所述的一种基于多路特征加权的残差卷积神经网络图像分类方法，其特征在于，所述步骤3)中，卷积组内卷积核尺寸的选取方式为：一种是在计算资源允许的情况下选择尽量多的卷积核尺寸的组合，以覆盖所有可能的特征类型；另一种方案是根据需要分类的图像特征，人工设计较为有利的卷积核尺寸参数；还可以采用上述两种方式的结合。