1.一种改进重构网络的胶囊网络图像分类识别方法，其特征在于：S1，构建胶囊网络，所述胶囊网络设置有工作网络与校对网络，所述工作网络用于输入图像并输出该图像的识别结果，所述校对网络用于训练调节工作网络参数；

所述工作网络包括卷积结构和全连接结构，所述卷积结构的卷积输出端连接全连接结构的全连接输入端，所述卷积结构为依次连接的卷积层和PrimaryCaps层，所述全连接结构为依次进行权重计算、动态路由调节、激活函数运算的网络结构；

所述校对网络包括并行的margin loss运算结构和重构网络结构，所述margin loss运算结构的损失输入端连接所述全连接结构的全连接输出端，所述重构网络结构的重构输入端分别连接所述全连接结构的全连接输出端和输入图像的向量层，所述margin loss运算结构的损失输出端与所述重构网络结构的重构输出端分别连接Loss层的损失函数输入端，所述Loss层的损失函数输出端连接优化函数计算层；

所述重构网络结构包括依次连接的Reshape层、反卷积结构、Flatten层、和方差计算层，所述和方差计算层的方差输入端分别连接Flatten层和输入图像的向量层，所述和方差计算层的方差输出端连接Loss层的损失函数输入端；

S2，输入图像训练集合至所述胶囊网络，所述胶囊网络经训练学习后完成图像分类识别校准；

S3，输入待分类图像至所述胶囊网络，所述工作网络的输出向量vj中数值最大的一个即为得到的识别结果；

S4，所述胶囊网络输出所述待分类图像的识别结果。

2.根据权利要求1所述的改进重构网络的胶囊网络图像分类识别方法，其特征在于：所述步骤S2的胶囊网络训练学习具体流程如下：S2.1，所述图像训练集合中的图像依次输入工作网络，并经工作网络计算后得到输出向量vj；

S2.2，选取参数值最大的所述输出向量vj输入margin loss运算结构并计算得到偏差量；

S2.3，上述参数值最大的输出向量vj还输入重构网络结构并经Reshape层转换为特征图；

S2.4，所述特征图经反卷积结构反卷积操作得到重构图像；

S2.5，所述重构图像经Flatten层转换为重构向量；

S2.6，所述重构向量与输入图像向量经和方差计算层计算得到方差向量；

S2.7，所述方差向量与步骤S2.2得到的偏差量输入Loss层即得到工作网络的损失量；

S2.8，所述损失量经优化函数计算层优化后反馈至工作网络；

S2.9，所述工作网络从后往前倒序调节每层参数，直到工作网络识别准确率恒定则完成胶囊网络的训练学习。

3.根据权利要求1或2所述的改进重构网络的胶囊网络图像分类识别方法，其特征在于：所述margin loss运算结构的输入为工作网络的输出向量vj，输出为∑jLj，Lj的计算公式如下：Lj＝Tjmax(0,m+-‖vj‖)2+λ(1-Tj)max(0,‖vj‖-m-)2其中，Tj为输入图像的实际类别，m+为||vj||的上边界，m-为||vj||的下边界，λ为调节系数；

所述Loss层的损失函数计算为将所述margin loss运算结构的输出∑jLj与重构网络结构的重构误差相加，得到损失量。

4.根据权利要求1所述的改进重构网络的胶囊网络图像分类识别方法，其特征在于：所述重构网络结构的反卷积结构为依次连接的1个反卷积层、1个卷积层和2个反卷积层。

5.根据权利要求4所述的改进重构网络的胶囊网络图像分类识别方法，其特征在于：所述反卷积层均采用卷积核4×4、步长2的反卷积操作；

所述卷积层采用卷积核2×2、步长1的卷积操作。

6.根据权利要求1所述的改进重构网络的胶囊网络图像分类识别方法，其特征在于：所述全连接结构的权重计算为：动态路由调节为：

其中，ui为全连接结构的输入向量，vj为输出向量， 为权重向量，Wij为权重参数，bij为动态路由参数，cij为调节参数，k为动态路由参数数量，sj为动态路由调节后的中间向量。

7.根据权利要求1所述的改进重构网络的胶囊网络图像分类识别方法，其特征在于所述激活函数运算的函数为：其中，vj为输出向量，sj为动态路由调节后的中间向量。

8.根据权利要求1所述的改进重构网络的胶囊网络图像分类识别方法，其特征在于所述激活函数运算的函数为：其中，vj为输出向量，sj为动态路由调节后的中间向量。

9.根据权利要求1所述的改进重构网络的胶囊网络图像分类识别方法，其特征在于：所述优化函数计算层的优化函数为Adam函数。