1.一种基于私有信息的跨领域场景识别方法，其特征在于，包括如下步骤：

S1、获取彩色场景图像和对应的深度场景图像；

S2、构建基于深度神经网络的跨领域多通道场景识别模型，包括分别用于彩色场景图像和深度场景图像的2个输入通道，42层网络，1个输出通道，其中42层网络包含2个输入通道并行的两路神经网络，分别为共享信息卷积神经网络和私有信息卷积神经网络；

S3、将S1所得图像输入跨领域多通道场景识别模型，经过模型中的共享信息卷积神经网络和私有信息卷积神经网络分别得到共享信息特征和私有信息特征，具体地，两路卷积神经网络通过卷积层初步提取特征，池化层提取主要特征，分别得到彩色场景图像和深度场景图像对应的共享信息特征和私有信息特征，之后将共享信息特征和私有信息特征分别通过各自全连接层，分别输出各自的4096维特征信息；

S4、融合提取出的共享信息特征和私有信息特征，经过归一化层输出场景图像的识别结果，通过优化损失函数提高共享信息特征和私有信息特征的相关性，并得到最优网络参数，其中优化损失函数包括：在两路卷积神经网络对应的池化层提取出对应输出特征，并将两路对应层的对应输出特征建立回归损失函数，将分类损失值与特征损失值融合得到总损失值，并基于该总损失值进行反向传播，通过不断优化损失函数，提高共享信息特征和私有信息特征的相关性；

S5、将待识别的彩色场景图像输入到已训练完成的跨领域多通道场景识别模型中，得到识别结果，具体包括：去掉跨领域场景模型中每路卷积神经网络中建立的特征损失函数，将同一彩色场景图像同时输入跨领域识别模型中的两路卷积神经网络，经过卷积层、池化层、全连接层，分别提取出两个网络对应的输出特征并融合，经过归一化层，输出最后的结果，从而得到对单领域场景图像的预测。

2.根据权利要求1所述的一种基于私有信息的跨领域场景识别方法，其特征在于，所述两路卷积神经网络中的每一路均包括：2层卷积层、1层池化层、2层卷积层、1层池化层、3层卷积层、1层池化层、3层卷积层、1层池化层、3层卷积层，1池化层，3全连接层，输出的维度为

4096维，卷积层的卷积核为3*3，池化层为最大池化，池化核为2*2。

3.根据权利要求1所述的一种基于私有信息的跨领域场景识别方法，其特征在于，所述步骤S4中特征融合的方式是拼接融合。