1.一种基于变分自编码器的图像增量学习方法，其特征在于，所述方法包括如下步骤：S1：构造以AlexNet网络层结构为原型的编码层，在编码层之后添加采样层，采样层是由高斯分布的均值层和方差层采样构成，在采样层之后添加输出层，输出层为所有增量类别数目的全连接层，在输出层之后，添加softmax层用于输出预测的类别；

AlexNet是一个包含5个卷积层，3个最大池化层以及3个全连接层的卷积神经网络，以经典卷积神经网络AlexNet为基础，构建相同结构的编码器；

S2：之后构建解码器，用于生成对应类别的图像，首先，在softmax层之后添加两层全连接层，用于融合提取的高阶特征；接着，采用上采样层能够还原特征，代替编码层中的下采样层；然后，在上采样层之后添加卷积层，用于提取上采样后的有效信息；最后，添加BacthNorm层，加快训练期间解码器模型的收敛速度以及防止过拟合；

解码器是一个编码器的逆过程，目的是将编码后的特征进行还原，解码器由5个上采样层和5个卷积层构成，激活函数使用Relu函数；

S3：将编码器和解码器作为一个整体在baseline上进行训练，训练的目标函数为：编码器分类层的交叉熵函数，编码器采样层的KL相对熵函数以及解码器输出层和编码器输入层的均方差函数，训练优化器采用Adam优化器，采用自适应下降的学习率在baseline的数据集上训练200个epoch，改进的变分自编码器作为一个端到端的模型结构进行训练，首先，对输入的数据进行数据增强，包括尺度变换，旋转，平移，拉伸，加噪声以及标准化操作，从而达到扩充数据集的作用；

S4：独立出编码器的分类层和解码器作为生成器，将改进的变分自编码器中的分类层和解码器单独取出作为旧类别数据的生成器，采用高斯分布，随机激活分类层中某一个已训练类别的神经元，并利用解码器生成旧类别的数据，记为数据集O；结合新增数据集，记为数据集N；联合数据集O和N，重复S3步骤，训练一个端到端的改进的变分自编码器，直到训练完所有的增量任务为止。