1.一种多输出回归深度网络的构建方法，其特征在于，包括以下步骤：构建第一层卷积层，将输入为任意尺寸的图像输出为固定尺寸的图像；

构建第二层双卷积层，利用元滤波器组构成双滤波器组，再利用双滤波器组进行卷积神经网络操作；

构建第三层双卷积层和第四层双卷积层，分别重复第二层的操作；

构建第五层输入层和第六层输出层，将所述第四层双卷积层输出的矩阵拉伸成向量作为第五层的输入，利用激活函数的全连接对其进行非线性映射；对非线性映射的多输出结果进行线性回归。

2.根据权利要求1所述的多输出回归深度网络的构建方法，其特征在于，所述构建第一层卷积层包括以下步骤：设定预设图像尺寸为 输入任意尺寸的图像I∈Rc×w×h；

判断输入图像尺寸的维度，当输入图像尺寸中某个维度小于预设图像尺寸的维度时，将其维度补充0到与预设图像尺寸维度相同；

定义一个与预设图像尺寸相同的滑动窗，其在输入图像上做滑动，选出与预设图像尺寸相同的图像集合，该集合的大小为n；

对图像集合中的每一个图像通过滤波器进行卷积层运算，得到n个与预设图像尺寸相同的输出特征图；

对n个 大小的输出特征图沿n维度做最大池化，得到固定尺寸图像

3.根据权利要求2所述的多输出回归深度网络的构建方法，其特征在于，所述利用元滤波器组构成双滤波器组包括以下步骤：将大小为z2×z2的单位矩阵赋值给一个图像矩阵I′，z为双滤波器组的滤波器大小尺寸；

将图像矩阵I′重新整理成大小为z2×z×z尺寸的矩阵；

将元滤波器组 与图像矩阵I′进行卷积，将其值赋值给滤波器组将滤波器组 重新整理成大小为 尺寸的矩阵，其中，n′＝(z′-z+1)2，为卷积之后得到的滤波器个数。

4.根据权利要求3所述的多输出回归深度网络的构建方法，其特征在于，所述利用双滤波器组进行卷积神经网络操作包括以下步骤：将第一层输出的固定尺寸图像 和滤波器组 进行卷积，将其值赋值给为大小为 尺寸的矩阵；

将 沿着n′做池化操作，池化后的输出 尺寸为将 沿着x-y平面做2×2的空间池化操作，其输出图像尺寸为

5.根据权利要求4所述的多输出回归深度网络的构建方法，其特征在于，所述构建第五层输入层包括：将所述第四层双卷积层输出的矩阵拉伸成向量作为第五层的输入，其节点数和所述第四层双卷积层输出的矩阵拉伸成向量的维度一致；

构建中间层，其节点数大于所述第五层输入的节点数，其每一个节点的激活函数为余弦函数，利用余弦函数的全连接对第五层的输入进行非线性映射。

6.根据权利要求5所述的多输出回归深度网络的构建方法，其特征在于，所述构建第六层输出层包括，对非线性映射的多输出结果进行线性回归，使中间层到输出层节点间满足线性关系，其中输出层每一个节点对应一个多输出的数值。

7.根据权利要求6所述的多输出回归深度网络的构建方法，其特征在于，对所有层网络节点参数进行联合优化，其优化准则采用交叉熵优化函数。

8.一种多输出回归深度网络结构，其特征在于，包括：第一层卷积层，其将输入为任意尺寸的图像输出为固定尺寸的图像；

第二层双卷积层，其利用元滤波器组构成双滤波器组，再利用双滤波器组进行卷积神经网络操作；

第三层双卷积层和第四层双卷积层，分别重复第二层的操作；

第五层输入层和第六层输出层，其将所述第四层双卷积层输出的矩阵拉伸成向量作为第五层的输入，利用激活函数的全连接对其进行非线性映射；对非线性映射的多输出结果进行线性回归。

9.一种设备，其特征在于，所述设备包括：一个或多个处理器；

存储器，其上存储有一个或多个计算机程序；

当所述一个或多个处理器执行所述一个或多个计算机程序时，实现如权利要求1-7中任一项所述方法的步骤。

10.一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，该程序被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。