1.一种基于改进随机梯度下降的图像分类方法，其特征在于，该方法包括：接收待分类图像数据，进行数据预处理，得到预设尺寸的图像；

根据改进随机梯度下降法建立的深度网络模型对预处理数据进行特征提取；

利用提取的特征对接收的待分类图像数据进行分类。

2.如权利要求1所述的一种基于改进随机梯度下降的图像分类方法，其特征在于，在该方法中，所述数据预处理为对接收的图像数据进行裁剪，裁剪后的图像尺寸与建立深度网络模型使用的样本图像裁剪尺寸一致。

3.如权利要求1所述的一种基于改进随机梯度下降的图像分类方法，其特征在于，在该方法中，根据改进随机梯度下降法建立深度网络模型的具体步骤包括：接收图像训练样本集，对样本集图像进行数据预处理，得到尺寸一致的图像训练样本集；

根据预处理后的图像训练样本集采用改进随机梯度下降法对深度网络模型中进行参数训练，建立深度网络模型。

4.如权利要求3所述的一种基于改进随机梯度下降的图像分类方法，其特征在于，在该方法中，采用改进随机梯度下降法对深度网络模型中进行参数训练的具体步骤包括：利用上一步梯度的估计值与本步梯度的观测值求出增益值；

利用求得的增益值与上一步梯度的估计值、观测值以及本步梯度的观测值，求得本步梯度的估计值；

利用取得的梯度估计值，更新模型参数，采用梯度下降法或随机梯度下降法进行模型参数训练，直至模型满足预设训练终止准则。

5.如权利要求4所述的一种基于改进随机梯度下降的图像分类方法，其特征在于，在该方法中，更新的模型参数为上一步模型参数与学习率和本步梯度的估计值乘积之差。

6.如权利要求4所述的一种基于改进随机梯度下降的图像分类方法，其特征在于，在该方法中，利用取得的梯度估计值，计算更新后的速度估计，并利用求得的速度估计，更新模型参数。

7.如权利要求1所述的一种基于改进随机梯度下降的图像分类方法，其特征在于，在该方法中，预先建立提取图像的特征与图像分类之间的Softmax网络，基于该Softmax网络利用提取的特征对接收的待分类图像数据进行分类。

8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-7任一项所述的一种基于改进随机梯度下降的图像分类方法。

9.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-7任一项所述的一种基于改进随机梯度下降的图像分类方法。

10.一种基于改进随机梯度下降的图像分类装置，其特征在于，基于如权利要求1-7任一项所述的一种基于改进随机梯度下降的图像分类方法，包括：依次连接的数据预处理模块、特征提取模块和图像分类模块；

所述数据预处理模块，用于接收待分类图像数据，进行数据预处理，得到预设尺寸的图像；

所述特征提取模块，用于根据改进随机梯度下降法建立的深度网络模型对预处理数据进行特征提取；

所述图像分类模块，用于利用提取的特征对接收的待分类图像数据进行分类。