1.一种训练图像分类模型的方法，其特征在于，所述方法包括：获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签，所述标签包括单类别标签或多类别标签，所述标签采用独热码形式表示，该标签为N维的向量，每一维对应一个类别；

将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；

按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签，在所述融合图像的标签中，每维向量上的数值表示在所述融合图像中与该维向量对应的类别出现的概率；

基于融合图像和融合图像的标签进行图像分类模型的训练。

2.根据权利要求1所述的方法，其特征在于，所述加权系数随机生成。

3.根据权利要求1所述的方法，其特征在于，所述将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，包括：获取每张样本图像中坐标相同的像素点，将所获取的像素点按所在样本图像的加权系数进行加权运算，获得融合图像。

4.一种图像分类方法，其特征在于，所述方法包括：

利用权利要求1‑3任一项所述的图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别。

5.根据权利要求4所述的方法，其特征在于，所述利用所述图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别，包括：利用图像分类模型提取待分类图像中的图像特征；

依据图像分类模型中图像特征与标签的映射关系，预测与待分类图像的图像特征对应的标签，获得所述待分类图像中目标对象的类别。

6.一种训练图像分类模型的装置，其特征在于，所述装置包括：系数获得模块，用于获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签，所述标签包括单类别标签或多类别标签，所述标签采用独热码形式表示，该标签为N维的向量，每一维对应一个类别；

融合处理模块，用于将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；

加权运算模块，用于按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签，在所述融合图像的标签中，每维向量上的数值表示在所述融合图像中与该维向量对应的类别出现的概率；

模型训练模块，用于基于融合图像和融合图像的标签进行图像分类模型的训练。

7.根据权利要求6所述的装置，其特征在于，所述加权系数随机生成。

8.根据权利要求6所述的装置，其特征在于，所述融合处理模块具体用于：获取每张样本图像中坐标相同的像素点，将所获取的像素点按所在样本图像的加权系数进行加权运算，获得融合图像。

9.一种图像分类装置，其特征在于，所述装置包括：

类别预测模块，用于利用权利要求6‑8任一项所述的图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别。

10.根据权利要求9所述的装置，其特征在于，所述类别预测模块具体用于：利用图像分类模型提取待分类图像中的图像特征；

依据图像分类模型中图像特征与标签的映射关系，预测与待分类图像的图像特征对应的标签，获得所述待分类图像中目标对象的类别。

11.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下方法：获得至少两张样本图像各自对应的加权系数，所述样本图像被标注有用于指示样本图像中目标对象的类别的标签，所述标签包括单类别标签或多类别标签，所述标签采用独热码形式表示，该标签为N维的向量，每一维对应一个类别；

将所述样本图像按对应的加权系数进行加权融合处理，获得融合图像，所述加权系数表征所述目标对象在融合图像中出现的概率；

按所述样本图像的加权系数对所述样本图像的标签进行加权运算，获得所述融合图像的标签，在所述融合图像的标签中，每维向量上的数值表示在所述融合图像中与该维向量对应的类别出现的概率；

基于融合图像和融合图像的标签进行图像分类模型的训练。

12.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下方法：利用权利要求1‑3任一项所述的图像分类模型对待分类图像中目标对象的类别进行预测，获得所述目标对象的类别。

13.一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权利要求1至5任一项所述方法的步骤。