1.一种基于超限隐特征模型的盲领域图像样本分类方法，其特征在于，包括如下步骤：S1：源领域超限隐特征模型训练阶段，获取用于进行模型训练的源领域图像数据矩阵Xsource、相应的标签矩阵Tsource，以及超限学习机的隐藏节点根据所述图像数据矩阵Xsource输出的隐含层输出矩阵Hsource；

S2：根据超限学习机和基于超限学习机的自编码器，为源领域超限隐特征模型设置图像数据输入通道、图像分类输出通道以及图像输出重建通道；

S3：基于Xsource、Tsource以及Hsource建立所述图像分类输出通道和所述图像输出重建通道的联合超限隐特征优化模型；

S4：利用交错方向法对所述联合超限隐特征优化模型的模型参数进行更新，得到所述图像分类输出通道和所述图像输出重建通道的优化模型参数；

S5：根据所述优化模型参数构建所述源领域超限隐特征模型；

S6:目标领域图像样本适配阶段，将待识别的目标领域图像数据矩阵输入所述源领域超限隐特征模型的图像数据输入通道，并从所述源领域超限隐特征模型的图像输出重建通道得到原始目标领域图像样本在源领域的重建生成样本矩阵；

S7：将所述目标领域图像数据矩阵与所述重建生成样本矩阵进行融合得到原始目标领域图像样本的增广样本矩阵；

S8：将所述增广样本矩阵输入所述源领域超限隐特征模型的图像数据输入通道，并从所述源领域超限隐特征模型的图像分类输出通道得到对应的分类结果；

所述原始目标领域图像样本的增广样本矩阵为ztarget＝xtarget+x′target，其中，ztarget表示增广样本矩阵，xtarget表示输入所述图像数据输入通道的目标领域图像数据矩阵，x′target表示所述源领域超限隐特征模型根据所述目标领域图像数据矩阵从所述图像输出重建通道输出的重建生成样本矩阵；

T

所述源领域超限隐特征模型的图像输出重建通道的输出为:x′target＝htargetQP；

T

所述源领域超限隐特征模型的图像分类输出通道的输出为：ttarget＝h′targetQR；

其中，htarget表示源领域超限隐特征模型输入通道输入的目标领域图像数据矩阵xtarget的隐含层输出向量，h′target表示源领域超限隐特征模型输入通道输入的增广样本矩阵ztarget的隐含层输出向量，Q表示源领域隐特征变换矩阵，R表示源领域数据分类矩阵，P表示源领域数据重建矩阵，ttarget表示目标领域图像数据矩阵xtarget的预测标签向量；

所述联合超限隐特征优化模型为：

T T T

s.t.Xsource＝HsourceQP+E,QR＝β,PP＝I；

其中，α、λ以及γ表示惩罚参数，E表示误差矩阵，β表示输出权重矩阵， 表示矩阵Frobenius范数的平方，即矩阵元素的平方和。

2.如权利要求1所述的基于超限隐特征模型的盲领域图像样本分类方法，其特征在于，步骤S4中引入辅助变量得到联合超限隐特征优化学习模型的增广拉格朗日函数模型，所述增广拉格朗日函数模型为：

T

s.t.PP＝I；

其中，μ表示惩罚参数，Y1和Y2表示拉格朗日乘子，<·>表示矩阵的内积运算；

步骤S4中基于所述增广拉格朗日函数模型利用交错方向法依次更新β、P、Q、R、E、Y1、Y2以及μ，直到收敛时停止优化，并将当前确定的Q和R作为所述源领域图像分类输出通道的优化模型参数，将当前确定的Q和P作为所述源领域图像输出重建通道的优化模型参数。