1.一种基于VGGNet和ResNet的图像分类方法，其特征在于，该方法包括：(1)将图像数据集I转换成固定数据格式后进行存储，并划分成训练集Ttrain和测试集Ttest；

(2)读取所述固定数据格式的文件，将训练集等比例缩放，得到最终训练集Train；

(3)采用VGGNet网络训练训练集Train，得到特征向量集FP1；

(4)使用ResNet网络训练训练集Train，得到特征向量集FP2；

(5)将FP1和FP2进行融合处理，得到向量集FP3，使用softmax方法处理FP3，得到最终的图像分类结果R；

所述固定数据格式为TFRecord格式；

所述TFRecord格式具体转换过程包括：

(11)定义I为图像数据集I＝{C1,C2,…,Cn}，其中，Cn为I中的第n类图像数据集，imagei是I中的第i张图像；

(12)定义name，height，width，label，depth分别对应为图像的名称、高度、宽度、标签和深度，满足图像形状img_shape＝{height,width}；

(13)建立TFRecord存储文件，将I中的图像依次写入TFRecord文件，定义path为TFRecord的存储路径名称，class_path为图像类别路径名称，且path＝{class_path,name}；

(14)按照Example协议块规则构造样本块，examplei为样本块转换成序列化的字符串，value为图像对应的分类值，value∈[1,n]，且examplei＝{path,value}，imagei与字符串examplei一一对应；

所述步骤(2)中，读取所述固定数据格式的文件，将训练集等比例缩放，得到最终训练集Train，具体包括：(21)定义循环变量i0用于遍历训练集Ttrain，i0∈[1,len(Ttrain)]，i0赋初值为1，len(Ttrain)]为Ttrain中图像的数量；

(22)遍历训练集Ttrain，如果i0≤len(Ttrain)，跳转到步骤(23)，否则结束遍历Ttrain，跳转到步骤(27)；

(23)解析第i0个样本模块对应序列化的字符串examplei0，得到第i0个样本模块的特征字典featurei0＝{raw_imagei0,label}，其中，raw_imagei0存储格式为string的图像，标签label格式为int64；

(24)将raw_imagei0格式变为float32，得到存储格式为float32的图像decoded_imagei0；

(25)将decoded_imagei0等比例缩放，得到imgi0，且图像表示为imgi0＝{img_shapei0,depth＝3}，其中，img_shapei0为图像形状，img_shapei0＝{height＝224,width＝224}；

(26)i0＝i0+1，跳转到步骤(22)；

(27)得到训练图像集Train＝{img1,img2,…,imgM}，M为最终训练集中的图像数量；

所述步骤(3)中，采用VGGNet网络训练训练集Train，得到特征向量集FP1，具体包括：(31)将最终训练集Train读入VGGNet网络，将图像的标签label当作网络的类别标签来训练网络，定义conv为卷积层，pool为池化层，采用最大池化maxpooling，stride为步长，激活函数为ReLU，VGGNet有5个卷积模块，分别为Conv1，Conv2，Conv3，Conv4和Conv5，每个卷积层后接一个激活函数ReLU；

(32)定义循环变量i1用于遍历Train，i1∈[1,len(Train)]，i1赋初值为1，len(Train)表示最终训练集中图像数量；

(33)遍历Train，如果i1≤len(Train)，跳转到步骤(35)，否则结束遍历Train，跳转到步骤(37)；

(34)Conv1和Conv2分别有2个conv和一个stride为2的pool，Conv3和Conv4分别有4个卷积层和1个步长stride为2的pool，Conv5有4个conv，对最后一层conv5_4的输出结果进行激活，得到relu5_4；

(35)relu5_4池化后接三次全连接层，得到特征向量fi1；

(36)i1＝i1+1，跳转到步骤(33)；

(37)得到特征向量集FP1＝FP1＝{f1,f2,...,fi1,...,fM}，M为最终训练集中图像数量；

所述步骤(4)中，包括：

(41)将Train读入ResNet网络，将图像的标签当作网络的类别标签来训练网络，定义有四个Block模块，分别为Block1，Block2，Block3，Block4；

(42)定义循环变量i2用于遍历Train，i2∈[1,len(Train)]，i2赋初值为1；

(43)遍历Train，如i2≤len(Train)，跳转到步骤4.4，否则结束遍历Train，跳转到步骤

4.14；

(44)对循环变量i2对应的图像imgi2进行卷积，卷积核为7*7，通道数为64，填充padding为3，stride为2，卷积后得到imgi2’，对imgi2’进行BN和scale后，通过ReLU，输出为resnet1；

(45)定义branch1为残差结构中的分支，branch2为残差结构的主支，每个Block都有2个block组成，Block1＝{block1,block2}；

(46)输入resnet1，通过在branch1上进行卷积，批量化归一，输出为branch11；

(47)输入resnet1，通过在branch2上依次进行卷积，BN批量化归一，scale批量化归一，激活函数ReLU，卷积，BN批量化归一，scale批量化归一，激活函数ReLU，卷积，BN批量化归一，scale批量化归一后，输出为branch21；

(48)将branch11和branch21相加后，得到branch31，对branch31进行ReLU操作，得到resanet2a；

(49)输入resanet2a，输出为branch11’，且branch11’与resanet2a相同；

(410)输入resanet2a，通过在branch2上依次进行conv，BN，scale，ReLU，conv，BN，scale，ReLU，conv，BN，scale，输出为branch21’；

(411)将branch11’和branch21’相加后，得到branch31’，对branch31’进行ReLU操作，得到resanet2b；

(412)将上述Block1的结果resanet2b输入Block2中，重复步骤(46)‑步骤(411)，得到resanet3a，resanet3b，将上述Block2的结果resanet3b输入Block3中，重复步骤(46)‑步骤(411)，得到resanet4a，resanet4b，将上述Block3的结果resanet4b输入Block4中，重复步骤(46)‑步骤(411)，得到resanet5a，resanet5b，其中，resanet5b为fi2；

(413)i2＝i2+1，跳转到步骤(43)；

(414)得到特征向量集FP2＝{fp1,fp2,...,fi2...,fpM}，M为最终训练集中的图像数量。

2.根据权利要求1所述的基于VGGNet和ResNet的图像分类方法，其特征在于，所述步骤(5)中，将FP1和FP2进行融合处理，得到向量集FP3，具体包括：(51)定义循环变量数据i3，用于分别遍历FP1和FP2，i3∈[1,M]，i3赋初值为1，M为最终训练集中的图像数量；

(52)遍历FP1和FP2，如果i1≤M，跳转到步骤(53)，否则结束遍历FP1和FP2，跳转到步骤(55)；

(53)fi3与fpi3相加得到Fi3，其中，fi3为特征向量集FP1中的某项，所述fpi3为特征向量集FP2中的某项；

(54)i3＝i3+1，跳转到步骤(52)；

(55)得到特征融合向量集FP3＝{F1,F2,...,Fi3,...,FM}。