1.一种分类网络的增量训练方法，包括：

利用第一分类网络对多个类别的多个训练图像样本进行特征提取，得到所述多个训练图像样本的第一样本特征，其中，所述多个训练图像样本包括：第一数量的老类别图像样本及第二数量的新类别图像样本，所述第二数量大于所述第一数量；

对所述多个训练图像样本的第一样本特征进行归一化处理，得到多个训练图像样本的第一归一化特征；

基于所述多个训练图像样本的第一归一化特征，确定网络损失；

基于所述网络损失，调整所述第一分类网络的网络参数。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述多个类别的分类权重进行归一化处理，得到所述多个类别的第一归一化权重；

所述基于所述多个训练图像样本的第一归一化特征，确定网络损失，包括：基于所述多个训练图像样本的第一归一化特征和所述多个类别的第一归一化权重，确定所述网络损失。

3.根据权利要求2所述的方法，其特征在于，所述基于所述多个训练图像样本的第一归一化特征和所述多个类别的第一归一化权重，确定所述网络损失，包括：基于所述老类别图像样本的第一归一化特征，从所述多个类别中选取所述老类别图像样本对应的K个新类别；

基于所述老类别图像样本的第一归一化特征和所述K个新类别的第一归一化权重，确定所述网络损失中的第一损失项，其中，K为不小于2的正整数。

4.根据权利要求2或3所述的方法，其特征在于，所述基于所述多个训练图像样本的第一归一化特征和所述多个类别的第一归一化权重，确定所述网络损失，包括：基于所述多个训练图像样本中每个训练图像样本的第一归一化特征及所述第一分类网络得到的所述每个训练图像样本的预测类别的第一归一化权重，得到所述每个训练图像样本的分类概率；

基于所述多个训练图像样本中每个训练图像样本的分类概率和所述每个训练图像样本的标注类别信息，得到所述网络损失的第二损失项。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：获取利用第二分类网络对所述老类别图像样本进行特征提取得到的所述老类别图像样本的第二样本特征，其中，所述第二分类网络为所述增量训练的初始网络；

对所述老类别图像样本的第二样本特征进行归一化处理，得到所述老类别图像样本的第二归一化特征；

所述基于所述多个训练图像样本的第一归一化特征，确定网络损失，包括：基于所述老类别图像样本的第二归一化特征和所述老类别图像样本的第一归一化特征之间的相似度，得到所述网络损失的第三损失项。

6.一种分类方法，其特征在于，包括：

获取待处理图像；

利用目标分类网络对所述待处理图像进行分类处理，得到所述待处理图像的分类结果，其中，所述目标分类网络是利用如权利要求1至5任一项所述的增量训练方法训练得到的。

7.一种分类网络的增量训练装置，包括：

第一得到模块，用于利用第一分类网络对多个类别的多个训练图像样本进行特征提取，得到所述多个训练图像样本的第一样本特征，其中，所述多个训练图像样本包括：第一数量的老类别图像样本及第二数量的新类别图像样本，所述第二数量大于所述第一数量；

第一归一化模块，用于对所述多个训练图像样本的第一样本特征进行归一化处理，得到多个训练图像样本的第一归一化特征；

第一确定模块，用于基于所述多个训练图像样本的第一归一化特征，确定网络损失；

调整模块，用于基于所述网络损失，调整所述第一分类网络的网络参数。

8.一种分类装置，其特征在于，包括：

获取模块，用于获取待处理图像；

分类模块，用于利用目标分类网络对所述待处理图像进行分类处理，得到所述待处理图像的分类结果，其中，所述目标分类网络是利用如权利要求1至5任一项所述的增量训练方法训练得到的。

9.一种电子设备，包括：

存储器；

处理器，与所述存储器连接，用于通过执行存储在所述存储器上的计算机可执行指令，实现权利要求1至5或6任一项提供的方法。

10.一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令在运行时实现权利要求1至5或6任一项提供的方法。