1.一种混淆感知卷积神经网络，其特征在于，包括预测分类器、混淆感知模型、多个校正分类器及概率平均层；

所述预测分类器为利用训练样本集训练的卷积神经网络分类器；

所述混淆感知模型为基于所述预测分类器对应的混淆矩阵构建的模型，所述混淆矩阵为在所述训练样本集上进行交叉验证获取所得；

各校正分类器为使用所述混淆感知模型为决策系统，利用所述训练样本集中具有模糊边界的易混淆类别样本数据训练所得；

所述概率平均层用于根据所述预测分类器输出的类别概率和目标校正分类器输出的类别概率输出待识别图像的分类结果，所述目标校正分类器为所述混淆感知模型根据所述预测分类器的预测类别选择的校正分类器。

2.根据权利要求1所述的混淆感知卷积神经网络，其特征在于，所述混淆矩阵为在所述训练样本集上进行交叉验证获取所得包括：将所述训练样本集分为多个子训练集；

对每个子训练集，将当前子训练集作为验证集，非所述当前子训练集的其余子训练集作为训练集训练所述预测分类器，利用训练好的预测分类器对所述验证集进行测试得到误分类图像；

将各子训练集作为验证集得到的误分类图像进行汇总以构造所述混淆矩阵。

3.根据权利要求2所述的混淆感知卷积神经网络，其特征在于，各子训练集包含训练样本图像的个数均相同。

4.根据权利要求1至3任意一项所述的混淆感知卷积神经网络，其特征在于，所述概率平均层包含标准化模块和概率计算模块；

所述标准化模块用于对所述预测分类器输出的类别概率和所述目标校正分类器输出的类别概率进行标准化处理；

所述概率计算模块为根据标准化处理后得到类别概率进行计算，得到所述待识别图像所属类别。

5.根据权利要求4所述的混淆感知卷积神经网络，其特征在于，所述标准化模块为利用下述公式对所述预测分类器输出的类别概率和所述目标校正分类器输出的类别概率进行标准化处理：式中，z为K维向量，且其第j个元素zj被映射到区间的(0,1)概率为σ(z)j。

6.根据权利要求1-3任意一项所述的混淆感知卷积神经网络，其特征在于，所述概率计算模块为利用下述公式确定所述待识别图像所属类别标签：式中，X为所述待识别图像，y为所述待识别图像的类别标签，Bj为所述预测分类器输出的类别概率， 为所述目标校正分类器输出的类别概率， 为所述易混淆类别样本数据对应的类别。

7.一种图像识别方法，其特征在于，包括：

将待识别图像输入至预先构建的混淆感知卷积神经网络中；

调用所述混淆感知卷积神经网络的预测分类器对所述待识别图像进行识别，得到所述待识别图像的预测类别和第一类别概率；

调用所述混淆感知卷积神经网络的混淆感知模型根据所述预测类别选择目标校正分类器；

利用所述目标校正分类器对所述待识别图像进行识别，得到所述待识别图像的第二类别概率；

利用所述混淆感知卷积神经网络的概率平均层根据所述第一类别概率和所述第二类别概率输出所述待识别图像的分类结果。

8.一种图像识别装置，其特征在于，包括：

图像输入模块，用于将待识别图像输入至预先构建的混淆感知卷积神经网络中；

图像识别模块，用于调用所述混淆感知卷积神经网络的预测分类器对所述待识别图像进行识别，得到所述待识别图像的预测类别和第一类别概率；调用所述混淆感知卷积神经网络的混淆感知模型根据所述预测类别选择目标校正分类器；利用所述目标校正分类器对所述待识别图像进行识别，得到所述待识别图像的第二类别概率；利用所述混淆感知卷积神经网络的概率平均层根据所述第一类别概率和所述第二类别概率输出所述待识别图像的分类结果。

9.一种图像识别设备，其特征在于，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求7所述图像识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有图像识别程序，所述图像识别程序被处理器执行时实现如权利要求7所述图像识别方法的步骤。