1.一种对象识别方法，其特征在于，所述方法包括：

获取图像和目标神经网络；其中，所述目标神经网络采用以下方式得到：训练设备基于样本图像集，根据多个第一损失函数分别利用多个计算机线程对第一初始神经网络进行当前迭代训练，得到多个备选神经网络；所述训练设备从所述多个备选神经网络中选择第二初始神经网络，并通过第二初始神经网络的计算机线程将所述第二初始神经网络的网络参数分发至其它计算机线程；所述训练设备利用所述样本图像集，基于多个第二损失函数对所述第二初始神经网络进行下一迭代训练，得到目标神经网络；所述图像包括至少一个待识别对象，所述样本图像集为包括待识别对象图像的数据集；

利用目标神经网络处理所述图像，得到所述待识别对象的对象识别结果。

2.根据权利要求1所述的方法，其特征在于，所述基于多个第二损失函数对所述第二初始神经网络进行下一迭代训练，得到目标神经网络，包括：响应于未达到停止迭代条件，基于多个第二损失函数对所述第二初始神经网络进行下一迭代训练，得到目标神经网络。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：响应于达到停止迭代条件，将所述第二初始神经网络作为所述目标神经网络。

4.根据权利要求1所述的方法，其特征在于，所述多个第一损失函数是通过在初始损失函数中插入至少两个线性函数得到的，其中，所述多个第一损失函数中不同的第一损失函数对应的所述至少两个线性函数具有不同的参数值。

5.根据权利要求1所述的方法，其特征在于，所述第一损失函数是基于至少两个分段线性函数得到的；

所述方法还包括：

在M个预设分段区间进行多次采样，得到所述至少两个分段线性函数的多组参数值，其中，每组参数值包括从所述M个预设分段区间中每个预设分段区间采样得到的参数值；

基于所述多组参数值，得到所述多个第一损失函数。

6.根据权利要求1所述的方法，其特征在于，所述根据多个第一损失函数分别利用多个计算机线程对第一初始神经网络进行当前迭代训练，得到多个备选神经网络，包括：利用所述第一初始神经网络对样本图像进行处理，得到样本图像处理结果；

基于所述样本图像处理结果和所述多个第一损失函数中的每个第一损失函数，对所述第一初始神经网络的网络参数进行调整，得到与所述每个第一损失函数对应的备选神经网络。

7.根据权利要求1所述的方法，其特征在于，所述从所述多个备选神经网络中选择第二初始神经网络，包括：基于所述多个备选神经网络的性能，从所述多个备选神经网络中选取第二初始神经网络。

8.根据权利要求7所述的方法，其特征在于，所述基于所述多个备选神经网络的性能，从所述多个备选神经网络中选择第二初始神经网络，包括：利用测试图像集对所述多个备选神经网络进行性能测试，得到所述多个备选神经网络的性能参数；

从所述多个备选神经网络中选择性能参数指示的性能最好的备选神经网络作为所述第二初始神经网络。

9.根据权利要求2所述的方法，其特征在于，所述停止迭代条件包括以下至少一项：对神经网络已进行的迭代训练的次数等于预设迭代次数；

所述第二初始神经网络的性能达到目标性能。

10.根据权利要求1所述的方法，其特征在于，所述多个第一损失函数不同于所述多个第二损失函数。

11.一种对象识别装置，其特征在于，所述装置包括：

图像获取模块，被配置为获取图像；所述图像包括至少一个待识别对象；

图像处理模块，被配置为利用目标神经网络处理所述图像，得到所述待识别对象的对象识别结果；其中，所述目标神经网络采用以下方式得到：训练设备基于样本图像集，根据多个第一损失函数分别利用多个计算机线程对第一初始神经网络进行当前迭代训练，得到多个备选神经网络；所述训练设备从所述多个备选神经网络中选择第二初始神经网络，并通过第二初始神经网络的计算机线程将所述第二初始神经网络的网络参数分发至其它计算机线程；所述训练设备利用所述样本图像集，基于多个第二损失函数对所述第二初始神经网络进行下一迭代训练，得到目标神经网络；其中，所述样本图像集为包括待识别对象图像的数据集。

12.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1‑10任一所述的方法。

13.一种图像处理装置，其特征在于，所述装置包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器中存储的可执行指令，实现权利要求1至10任一项所述的方法。