1.一种车险理赔方法，应用于计算机装置，其特征在于，所述方法包括：

接收出险车辆理赔请求，其中，所述出险车辆理赔请求携带有出险车辆的基本信息、所述出险车辆的受损照片，以及所述出险车辆的出险原因；

基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的N个受损位置；

确定所述N个受损位置是否为相邻的受损位置，N为整数；其中，当N等于1时，确定所述N个受损位置为相邻的受损位置；及当N大于1时，所述N个受损位置不为相邻的受损位置是指所述N个受损位置中包括至少两个互不相邻的受损位置；当所述N个受损位置中不包括互不相邻的受损位置或者所述N个受损位置均发生在所述出险车辆的同一侧时，则确定所述N个受损位置为相邻受损位置；

当所述N个受损位置不是相邻的受损位置时，从所述出险车辆的出险原因中识别出事故类型；

调用预先训练的车辆事故预测模型预测所述事故类型发生所述N个受损位置的事故的概率；

当所预测的概率大于一个预设值时，受理所述车辆出险理赔请求；

当所述预测的概率小于或者等于所述预设值时，根据车主的历史理赔记录和/或该车主的其他信誉记录，确定所述车主的信誉等级，并根据所述车主的信誉等级通知所述车主补充与所确定的信誉等级所对应的资料，所述历史理赔记录包括历次被受理的车辆出险理赔记录和历次被拒绝的车辆出险理赔记录，所述车主的其他信誉记录包括该车主的征信记录。

2.如权利要求1所述的车险理赔方法，其特征在于，所述基于所述出险车辆的基本信息以及所述出险车辆的受损照片确定所述出险车辆的N个受损位置包括：根据所述出险车辆的基本信息所包括的所述出险车辆的品牌以及车型，获取预先存储的与所述出险车辆的品牌及车型所对应的车辆无损照片；

利用预设的图像处理函数基于所述出险车辆的受损照片和所获取的预先存储的车辆无损照片，确定所述出险车辆的受损位置；及统计所述出险车辆的受损位置的数目N。

3.如权利要求2所述的车险理赔方法，其特征在于，所述出险车辆的受损照片至少包括四张照片，该四张照片分别为从所述出险车辆的四个侧面所拍摄的照片；计算机装置预先存储了各品牌的各个车型的车辆无损照片，每个品牌的每个车型的车辆所对应的车辆无损照片至少包括四张无损照片，该四张无损照片分别为从车辆的四个侧面所拍摄的照片。

4.如权利要求2所述的车险理赔方法，其特征在于，该方法还包括：

当基于所述出险车辆的基本信息以及所述出险车辆的受损照片没能确定出任何受损位置时，发出重新上载所述出险车辆的受损照片的通知；及基于所述出险车辆的基本信息以及重新上载的所述出险车辆的受损照片确定所述出险车辆的受损位置及受损位置的数目N。

5.如权利要求1所述的车险理赔方法，其特征在于，所述出险车辆的基本信息包括：出险车辆的车牌号、品牌及车型、车主姓名、车主身份证号、车主联系电话；所述出险车辆的出险原因包括事故时间、事故地点、事故类型。

6.如权利要求1所述的车险理赔方法，其特征在于，该方法还包括获得所述车辆事故预测模型的步骤，包括：获取预设数量的与不同事故类型分别对应的受损记录，并对与每种事故类型所对应的受损记录标注类别，使得与所述每种事故类型所对应的受损记录携带类别标签，将作了类别标注后的所述预设数量的与不同事故类型分别对应的受损记录作为训练样本，其中，与每种事故类型所对应的受损记录包括受损位置以及受损位置的总数；

将所述训练样本随机分成第一预设比例的训练集和第二预设比例的验证集，利用所述训练集训练卷积神经网络获得所述车辆事故预测模型，并利用所述验证集验证训练获得的所述车辆事故预测模型的准确率；

若所述准确率大于或者等于预设准确率时，则结束训练；若所述准确率小于所述预设准确率时，则增加训练样本的样本数量，重新训练卷积神经网络直至重新获得的所述车辆事故预测模型的所述准确率大于或者等于所述预设准确率。

7.如权利要求6所述的车险理赔方法，其特征在于，该方法还包括：

当所述N个受损位置为相邻的受损位置时，利用所述车辆事故预测模型基于所述N个受损位置分别所对应的受损照片确定所述出险车辆的受损程度，并预测赔付金额。

8.一种计算机装置，其特征在于，所述计算机装置包括存储器和处理器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令实现如权利要求1至6中任意一项所述车险理赔方法。

9.一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存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至6中任意一项所述车险理赔方法。