1.一种基于改进型ArcFace损失函数的图像识别方法，其特征在于包括如下步骤：

步骤(1)：准备图像识别训练数据集、测试数据集；

步骤(2)：构建基于卷积神经网络的图像识别网络结构，所述基于卷积神经网络的图像识别网络包含卷积层，池化层，全连接层，改进型ArcFace损失函数层，其中，两个卷积层与一个池化层构成一个图像识别子结构，图像识别网络由N个串联的子结构，两个全连接层F1、F2，一个改进型ArcFace损失函数层构成；

步骤(3)：将图像识别训练数据集输入到步骤(2)构建的基于卷积神经网络的图像识别网络中训练，训练过程中的损失函数采用改进型ArcFace损失函数，通过不断的对网络进行循环迭代训练使损失函数不断减小，直到完成设定的迭代次数Q，并将图像识别模型进行保存；

步骤(4)：将图像识别测试数据集利用步骤(3)中得到的图像识别模型进行图像特征提取，计算每两个图像特征向量之间的余弦相似度P,设置图像相似度阈值为T，如果相似度P大于阈值T，则判断两张图像是同一类图像，否则判断两张图像不是同一类图像，得到图像识别模型的测试结果。

2.如权利要求1所述的一种基于改进型ArcFace损失函数的图像识别方法，其特征在于，所述步骤(3)中改进型ArcFace损失函数计算公式为：其中，n表示训练过程中每次迭代输入的训练样本总数，L表示n个样本的损失平均值，yi表示第i个样本的图像类别标签， 表示全连接层F2的权重矩阵的第yi列和全连接层F1的输出的夹角，θj表示全连接层F2的权重矩阵的第j列和全连接层F1的输出的夹角，s表示自适应余弦系数(可取s＝64)，C表示总训练样本的类别数，λ表示自适应权重系数(可取λ＝0.5)，m表示决策边缘，由网络训练得到。