1.一种目标定位方法，其特征在于，包括：

将待识别图像输入到训练好的神经网络中，由所述神经网络的卷积层对所述待识别图像进行特征提取，得到多个通道特征；其中，在训练所述神经网络时，以标记有目标类型的标记图像为训练输入，以对所述标记图像的目标类型识别结果为训练输出；

针对所述卷积层输出的任意一个通道特征，将该通道特征输入到所述神经网络的全连接层，由所述全连接层确定该通道特征对应的加权参数，该通道特征对应的加权参数用于表征该通道特征与从所述待识别图像中定位出的目标位置的相关度；

依据该通道特征对应的加权参数对该通道特征进行修正处理；

利用修正后的各个通道特征定位所述待识别图像中包含目标的目标位置，包括：根据修正后的各个通道特征获取待识别图像的各位置的响应值，响应值表示该位置存在目标的概率；确定大于阈值的响应值对应的位置，将包括大于阈值的响应值对应的位置的区域作为目标位置。

2.根据权利要求1所述的方法，其特征在于，所述神经网络通过如下步骤训练得到：搭建神经网络，所述神经网络包括卷积层、池化层和全连接层；

获取训练样本，所述训练样本包括标记有目标类型的标记图像；

将所述训练样本输入所述神经网络，以由所述神经网络输出对所述标记图像的目标类型识别结果，根据所述神经网络输出的目标类型识别结果和所述训练样本中的目标类型之间的差异，对所述神经网络中的参数进行更新；

对所述神经网络经过训练样本的训练后，得到训练好的神经网络。

3.根据权利要求1所述的方法，其特征在于，在获取包括标记有目标类型的标记图像的训练样本之后，还包括：对标记图像的部分区域进行遮挡预处理。

4.一种目标定位装置，其特征在于，包括：

特征提取模块，用于将待识别图像输入到训练好的神经网络中，由所述神经网络的卷积层对所述待识别图像进行特征提取，得到多个通道特征；其中，在训练所述神经网络时，以标记有目标类型的标记图像为训练输入，以对所述标记图像的目标类型识别结果为训练输出；

加权参数确定模块，用于针对所述卷积层输出的任意一个通道特征，将该通道特征输入到所述神经网络的全连接层，由所述全连接层确定该通道特征对应的加权参数，该通道特征对应的加权参数用于表征该通道特征与从所述待识别图像中定位出的目标位置的相关度；

特征修正模块，用于依据该通道特征对应的加权参数对该通道特征进行修正处理；

目标位置定位模块，用于利用修正后的各个通道特征定位所述待识别图像中包含目标的目标位置，包括：根据修正后的各个通道特征获取待识别图像的各位置的响应值，响应值表示该位置存在目标的概率；确定大于阈值的响应值对应的位置，将包括大于阈值的响应值对应的位置的区域作为目标位置。

5.根据权利要求4所述的装置，其特征在于，所述装置还包括训练模块，所述训练模块用于：搭建神经网络，所述神经网络包括卷积层、池化层和全连接层；

获取训练样本，所述训练样本包括标记有目标类型的标记图像；

将所述训练样本输入所述神经网络，以由所述神经网络输出对所述标记图像的目标类型识别结果，根据所述神经网络输出的目标类型识别结果和所述训练样本中的目标类型之间的差异，对所述神经网络中的参数进行更新；

对所述神经网络经过一定数量的训练样本的训练后，得到训练好的神经网络。

6.根据权利要求4所述的装置，其特征在于，所述加权参数确定模块具体用于：将所述卷积层输出的多个通道特征输入到所述全连接层，由所述全连接层确定每个通道特征对应的加权参数。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1‑3任一项所述方法的步骤。

8.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使执行如权利要求1至3任一项所述方法。