1.一种基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，包括以下步骤：(1)对图像数据集进行预处理；

(2)采用循环一致的生成对抗网络并施加约束损失函数，构建条件对抗图像生成网络；

构建条件对抗图像生成网络的步骤如下：

(201)在无监督域适应中，给定源域图像样本 其中 是第i张图像， 是

对应图像的分类标签，ns是源域图像样本个数；给定无标签的目标域图像样本 其中 是第i张图像，nt是目标域图像样本个数，处理任务是预测目标域图像的标签(202)有标签源域图像通过源域判别器进行源域图像真假样本判别和分类预测，同时目标域图像通过源域生成器生成类似源域的图像后经过源域判别器进行源域图像真假样本判别，则源域的对抗损失函数如下：无标签目标域图像通过目标域判别器进行目标域图像真假样本判别，同时有标签源域图像通过目标域生成器生成类似目标域的图像后经过目标域判别器进行目标域图像真假样本判别和分类预测，则目标域的对抗损失函数如下：其中，P(xs)和Q(xt)分别是源域图像样本xs和目标域图像样本xt的样本分布， 表示服从P(xs)分布的xs的期望， 表示服从Q(xt)分布的xt的期望，lce是平均交叉熵损失函数，Gs(*)和Gt(*)分别是源域生成图像和目标域生成图像， 和 分别是源域图像样本和目标域图像样本的图像真假判别预测值， 和 分别是源域图像样本和目标域图像样本的分类预测值；

(3)使用步骤(1)中经过预处理的图像数据集对步骤(2)构建的条件对抗图像生成网络进行训练；

(4)使用步骤(3)训练好的网络模型对待分类的目标图像进行测试，得到最终的分类结果。

2.根据权利要求1所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(1)中，所述预处理为，统一图像大小，对图像进行归一化操作，将像素值调整为[-1,1]里的一个数。

3.根据权利要求2所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，步骤(3)的具体过程如下：(301)在训练网络之前调整网络层数，设置初始学习率、训练周期数及损失函数权重；

(302)训练之时，观察图像生成的可视化结果与过程中各损失函数的变化情况，并根据变化修改相关参数；

(303)经过充分训练与调参后，得到最终训练好的网络模型并保存。

4.根据权利要求3所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(301)中，根据训练图像的大小调整网络层数，且二者成正比关系。

5.根据权利要求1所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(202)中，为保证网络学到的跨域映射是期望的映射，施加循环一致损失函数Lcyc(Gs,Gt)，使用1范数约束两域原图像与两域原图像通过跨域转换后的重构图像：

6.根据权利要求1所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(202)中，为对齐源域样本与目标域样本标签的联合分布，采用条件对抗损失函数 用于源域与目标域：其中，(xs,ys)是源域的样本与样本对应的标签，P(xs,ys)是源域的联合分布，(xt,yt)是目标域的样本与标签，Q(xt,yt)是目标域的联合分布， 表示源域样本的分布期望， 表示目标域样本的分布期望， 与 分别为源域与目标域的联合分布判别模块，用于区分两个域的真假图像与标签。

7.根据权利要求1所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(202)中，为降低分类错误率，采用分类一致性损失函数 约束无标签目标样本在源域和在目标域的分类预测值：

8.根据权利要求1所述基于条件生成对抗网络的无监督域适应图像分类方法，其特征在于，在步骤(202)中，源域到目标域的生成对抗网络与目标域到源域的生成对抗网络保持一致，采用残差网络作为生成器，卷积神经网络作为判别器。