1.一种神经网络训练方法，其特征在于，包括：将训练集中的多个第一图像输入第一神经网络，获得多个第一处理结果，其中，每个第一处理结果至少包括第一特征；

根据特征库中与所述多个第一图像对应的第二特征和所述第一特征，训练所述第一神经网络，

其中，针对任意一个第一图像，特征库中包括对应于所述第一图像的多个第二特征，所述多个第二特征分别基于不同训练状态下的第二神经网络的处理得到；所述第二神经网络的层级数多于第一神经网络的层级数。

2.根据权利要求1所述的方法，其特征在于，所述特征库中包括基于各个训练状态下的第二神经网络的处理得到第二特征；

其中，根据特征库中与所述多个第一图像对应的第二特征和所述第一特征，训练所述第一神经网络，包括：

根据特征库中与所述多个第一图像对应的，基于各个训练状态下的第二神经网络的处理得到第二特征，训练所述第一神经网络。

3.根据权利要求1所述的方法，其特征在于，各个训练状态下的第二神经网络分别对应有特征库，针对任意一个第一图像，各个训练状态的特征库中包括的对应于所述第一图像的第二特征不同；

其中，根据特征库中与所述多个第一图像对应的第二特征和所述第一特征，训练所述第一神经网络，包括：

基于各个训练状态下的第二神经网络的处理得到第二特征，分别得到各个训练状态的特征库；

根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征，训练所述第一神经网络。

4.根据权利要求3所述的方法，其特征在于，第二神经网络的训练过程包括S个训练状态，其中，S为大于1的整数；

其中，将训练集中的多个第一图像输入第一神经网络，获得多个第一处理结果，包括：将训练集中的多个第一图像分别输入第s个状态的第一神经网络中处理，获得多个第一处理结果，其中，所述第s个状态为预设的S个训练状态中的一个，且1≤s

所述根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征，训练所述第一神经网络，包括：根据第s个状态的特征库中与所述多个第一图像对应的第二特征，以及多个第一处理结果，确定所述第一神经网络在第s个状态下的第一损失；

根据所述第一损失对所述第一神经网络进行训练，并将训练后的第一神经网络确定为第s+1个状态的第一神经网络；

将在第S个状态下训练后的第一神经网络确定为最终的第一神经网络。

5.根据权利要求4所述的方法，其特征在于，每个第一处理结果还包括第一预测结果，其中，根据第s个状态的特征库中与所述多个第一图像对应的第二特征以及多个第一处理结果，确定所述第一神经网络在第s个状态下的第一损失，包括：根据多个第二特征及多个第一特征，确定第一子损失；

根据多个第一预测结果及所述多个第一图像的标注结果，确定第二子损失；

根据所述第一子损失及所述第二子损失，确定所述第一神经网络在第s个状态下的第一损失。

6.根据权利要求4或5所述的方法，其特征在于，所述方法还包括：将训练集中的多个第二图像分别输入第s个状态的第二神经网络中处理，获得多个第二预测结果；

根据所述第二预测结果及所述多个第二图像的标注结果，确定所述第二神经网络在第s个状态下的第二损失；

根据所述第二损失对所述第二神经网络进行训练，并将训练后的第二神经网络确定为第s+1个状态的第二神经网络；

将所述多个第二图像分别输入第s个状态下的第二神经网络中处理，获得第三特征；

利用第三特征更新第s‑1个状态的特征库，得到第s个状态的特征库，其中，所述第s个状态的特征库中至少包括与训练集中的多个第二图像对应的第三特征，所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。

7.根据权利要求6所述的方法，其特征在于，利用所述第三特征更新第s‑1个状态的特征库，得到第s个状态的特征库，包括：在s大于1的情况下，利用所述第三特征替换第s‑1个状态的特征库中与所述多个第二图像对应的特征，得到第s个状态的特征库。

8.根据权利要求6或7所述的方法，其特征在于，利用所述第三特征更新第s‑1个状态的特征库，得到第s个状态的特征库，包括：在s等于1的情况下，利用所述第三特征替换初始特征库中与所述多个第二图像对应的初始特征，得到第1个状态下的特征库。

9.根据权利要求4‑8中任意一项所述的方法，其特征在于，所述多个第二图像为所述训练集的M个训练图像中的N个图像，N

在第s个状态下，从所述M个训练图像中选取N个图像作为第二图像；

从存储有所述M个训练图像的数据队列中去除所述N个图像，并将所述N个图像存储到所述数据队列的后端，

其中，所述数据队列前端的M‑N个数据被选中的第一概率大于所述数据队列后端的‑N个数据被选中的第二概率。

10.根据权利要求4‑9中任意一项所述的方法，其特征在于，所述多个第一图像为所述训练集的M个训练图像中的P个图像，P

在第s个状态下，从所述M个训练图像中选取P个图像作为第二图像。

11.根据权利要求4‑10中任意一项所述的方法，其特征在于，根据所述第一损失对所述第一神经网络进行训练，包括：根据所述第一损失，调整所述第一神经网络的网络参数；

在所述第一损失满足训练条件的情况下，确定训练后的第一神经网络。

12.一种图像处理方法，其特征在于，包括：将待处理图像输入到第一神经网络进行处理，获取图像处理数据；

其中，所述第一神经网络是通过权利要求1‑11中任意一项所述的神经网络训练方法训练得到的。

13.一种神经网络训练装置，其特征在于，包括：处理结果获取模块，用于将训练集中的多个第一图像输入第一神经网络，获得多个第一处理结果，其中，每个第一处理结果至少包括第一特征；

网络训练模块，用于根据特征库中与所述多个第一图像对应的第二特征和所述第一特征，训练所述第一神经网络，

其中，针对任意一个第一图像，特征库中包括对应于所述第一图像的多个第二特征，所述多个第二特征分别基于不同训练状态下的第二神经网络的处理得到；所述第二神经网络的层级数多于第一神经网络的层级数。

14.根据权利要求13所述的装置，其特征在于，所述特征库中包括基于各个训练状态下的第二神经网络的处理得到第二特征；

其中，所述网络训练模块包括：第一训练子模块，用于根据特征库中与所述多个第一图像对应的，基于各个训练状态下的第二神经网络的处理得到第二特征，训练所述第一神经网络。

15.根据权利要求13所述的装置，其特征在于，各个训练状态下的第二神经网络分别对应有特征库，针对任意一个第一图像，各个训练状态的特征库中包括的对应于所述第一图像的第二特征不同；

其中，所述网络训练模块包括：特征库获取子模块，用于基于各个训练状态下的第二神经网络的处理得到第二特征，分别得到各个训练状态的特征库；

第二训练子模块，根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征，训练所述第一神经网络。

16.根据权利要求15所述的装置，其特征在于，第二神经网络的训练过程包括S个训练状态，其中，S为大于1的整数；

其中，所述处理结果获取模块包括：处理结果获取子模块，用于将训练集中的多个第一图像分别输入第s个状态的第一神经网络中处理，获得多个第一处理结果，其中，所述第s个状态为预设的S个训练状态中的一个，且1≤s

所述第二训练子模块包括：

第一损失确定子模块，用于根据第s个状态的特征库中与所述多个第一图像对应的第二特征，以及多个第一处理结果，确定所述第一神经网络在第s个状态下的第一损失；

中间网络确定子模块，用于根据所述第一损失对所述第一神经网络进行训练，并将训练后的第一神经网络确定为第s+1个状态的第一神经网络；

最终网络确定子模块，用于将在第S个状态下训练后的第一神经网络确定为最终的第一神经网络。

17.根据权利要求16所述的装置，其特征在于，每个第一处理结果还包括第一预测结果，

其中，第一损失确定子模块包括：第一子损失确定子模块，用于根据多个第二特征及多个第一特征，确定第一子损失；

第二子损失确定子模块，用于根据多个第一预测结果及所述多个第一图像的标注结果，确定第二子损失；

第一损失计算子模块，用于根据所述第一子损失及所述第二子损失，确定所述第一神经网络在第s个状态下的第一损失。

18.根据权利要求16或17所述的装置，其特征在于，所述装置还包括：第二预测结果获取模块，用于将训练集中的多个第二图像分别输入第s个状态的第二神经网络中处理，获得多个第二预测结果；

第二损失确定模块，用于根据所述第二预测结果及所述多个第二图像的标注结果，确定所述第二神经网络在第s个状态下的第二损失；

第二网络训练模块，用于根据所述第二损失对所述第二神经网络进行训练，并将训练后的第二神经网络确定为第s+1个状态的第二神经网络；

第三特征获取模块，用于将所述多个第二图像分别输入第s个状态下的第二神经网络中处理，获得第三特征；

特征库确定模块，用于利用第三特征更新第s‑1个状态的特征库，得到第s个状态的特征库，

其中，所述第s个状态的特征库中至少包括与训练集中的多个第二图像对应的第三特征，所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。

19.根据权利要求18所述的装置，其特征在于，特征库确定模块包括：第一特征替换子模块，用于在s大于1的情况下，利用所述第三特征替换第s‑1个状态的特征库中与所述多个第二图像对应的特征，得到第s个状态的特征库。

20.根据权利要求18或19所述的装置，其特征在于，特征库确定模块包括：第二特征替换子模块，用于在s等于1的情况下，利用所述第三特征替换初始特征库中与所述多个第二图像对应的初始特征，得到第1个状态下的特征库。

21.根据权利要求16‑20中任意一项所述的装置，其特征在于，所述多个第二图像为所述训练集的M个训练图像中的N个图像，N

第一图像确定模块，用于在第s个状态下，从所述M个训练图像中选取N个图像作为第二图像；

队列更新模块，用于从存储有所述M个训练图像的数据队列中去除所述N个图像，并将所述N个图像存储到所述数据队列的后端，其中，所述数据队列前端的M‑N个数据被选中的第一概率大于所述数据队列后端的‑N个数据被选中的第二概率。

22.根据权利要求16‑21中任意一项所述的装置，其特征在于，所述多个第一图像为所述训练集的M个训练图像中的P个图像，P

第二图像确定模块，用于在第s个状态下，从所述M个训练图像中选取P个图像作为第二图像。

23.根据权利要求16‑22中任意一项所述的装置，其特征在于，所述中间网络确定子模块，包括：

网络参数调整子模块，用于根据所述第一损失，调整所述第一神经网络的网络参数；

第一神经网络确定子模块，用于在所述第一损失满足训练条件的情况下，确定训练后的第一神经网络。

24.一种图像处理装置，其特征在于，包括：图像处理数据获取模块，用于将待处理图像输入到第一神经网络进行处理，获取图像处理数据；

其中，所述第一神经网络是通过权利要求1‑11中任意一项所述的神经网络训练方法训练得到的。

25.一种电子设备，其特征在于，包括：处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至12中任意一项所述的方法。

26.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。