1.一种基于校对网络的卷积神经网络图像分类方法，其特征在于：S1，构建卷积神经网络，所述卷积神经网络设置有工作网络和校对网络，所述工作网络用于输入图像并输出图像分类，所述校对网络用于校对所述工作网络；

所述工作网络至少设置有a个卷积层、b个全连接层和1个softmax层；

所述校对网络为反卷积运算网络，即所述校对网络设置有n个反卷积层、1个校对向量输出层，所述校对网络的第一个反卷积层连接所述工作网络的校对层，所述校对向量输出层与所述工作网络的特征值尾层经比对函数连接；

所述校对层为所述工作网络的任意卷积层或全连接层，所述特征值尾层为所述工作网络输出分类向量或分类结果的一层；

S2，输入训练图像至所述卷积神经网络，完成所述卷积神经网络训练：S2.1，所述训练图像经所述工作网络各卷积层卷积计算得到待校对向量Ia；

S2.2，所述工作网络的校对层数据经所述校对网络反卷积计算得到校对向量Ib；

S2.3，所述校对网络根据比对函数对所述校对向量Ib与所述待校对向量Ia进行比对，获得比对结果，该比对结果即为校对差量；

S2.4，所述校对网络将所述步骤S2.3的比对结果反馈至所述工作网络的特征值尾层；

S2.5，所述工作网络从所述特征值尾层开始从后往前倒序调节每个网络层参数；

S2.6，返回步骤S2.1直到训练精度恒定，完成卷积神经网络训练；

S3，输入待分类图像至所述卷积神经网络，获得分类结果；

S4，所述卷积神经网络输出所述待分类图像的分类结果。

2.根据权利要求1所述的基于校对网络的卷积神经网络图像分类方法，其特征在于：所述工作网络为依次连接的a个卷积层组、Flatten层、b个全连接层、softmax层；

其中，每个所述卷积层组均为依次连接的数据归一化层、卷积层、激活函数层、池化层。

3.根据权利要求1所述的基于校对网络的卷积神经网络图像分类方法，其特征在于：所述步骤S2.3中所述校对向量Ib还与训练图像的输入向量进行比对，具体如下：S2.3.1，所述校对向量Ib与训练图像的输入向量进行比对，得到中间向量P；

S2.3.2，所述中间向量P与所述待校对向量Ia进行损失函数计算。

4.根据权利要求3所述的基于校对网络的卷积神经网络图像分类方法，其特征在于：所述步骤S2.3.1的比对方式为计算所述校对向量Ib与训练图像的输入向量的平方差，得到方差向量，再计算所述方差向量的平均值；

所述步骤S2.3.2的损失函数计算为两者相加。

5.根据权利要求1所述的基于校对网络的卷积神经网络图像分类方法，其特征在于：所述步骤S2.3中所述待校对向量Ia还与训练图像的实际类别进行比对，具体如下：S2.3.1’，所述待校对向量Ia与训练图像的实际类别进行比对，得到初次比对向量Q；

S2.3.2’，所述校对向量Ib与所述初次比对向量Q进行损失函数计算。

6.根据权利要求5所述的基于校对网络的卷积神经网络图像分类方法，其特征在于：所述步骤S2.3.1’的比对方式为计算所述待校对向量Ia与训练图像的实际类别的交叉熵，得到熵向量，再计算所述熵向量的平均值；

所述步骤S2.3.2’的损失函数计算为两者相加。

7.根据权利要求1所述的基于校对网络的卷积神经网络图像分类方法，其特征在于：每个所述反卷积层的卷积核均为1×1，步长为2。

8.根据权利要求1所述的基于校对网络的卷积神经网络图像分类方法，其特征在于：所述步骤S2.4中所述校对网络还将比对结果优化运算后再反馈至所述工作网络的特征值尾层，具体如下：S2.4.1，所述校对网络采用优化函数计算所述比对结果的偏移量；

S2.4.2，所述校对网络将所述偏移量反馈至所述工作网络的特征值尾层。

9.根据权利要求9所述的基于校对网络的卷积神经网络图像分类方法，其特征在于：所述优化函数为Adam函数。