1.一种模型训练方法，其特征在于，所述方法包括：获取预设模型在多个预设场景下的多组模型参数及测试数据集，其中，每组模型参数是利用一个预设场景下的训练数据集对所述预设模型进行训练得到的，所述预设模型为与特定的深度学习任务对应的模型，所述特定的深度学习任务包括：目标检测、目标识别、目标分割或目标分类；

利用所述测试数据集，分别对使用每组模型参数的预设模型进行泛化测试，得到每组模型参数对应的泛化参数，其中，所述每组模型参数对应的泛化参数用于表征使用该组模型参数的预设模型对所述测试数据集的适应能力；

根据所述泛化参数，对所述多组模型参数进行加权计算得到所述预设模型在所述多个预设场景下的协同模型参数，将使用所述协同模型参数的预设模型作为目标模型。

2.根据权利要求1所述的方法，其特征在于，所述获取预设模型的多组模型参数及测试数据集，包括：获取多个预设场景下的多组样本数据，其中，每组样本数据分别与每个预设场景对应；

根据预设分组规则，从所述多组样本数据中确定多组训练数据集及测试数据集；

针对每组训练数据集，利用预设模型对该组训练数据集进行训练，得到该组训练数据集对应的所述预设模型的模型参数。

3.根据权利要求2所述的方法，其特征在于，所述获取多个预设场景下的多组样本数据，包括：获取多个预设场景下的多组样本数据及所述多个预设场景的标识；

所述方法还包括：

获取初始数据集及所有预设场景的标识；

根据所述多个预设场景的标识及所有预设场景的标识，判断是否存在未获取到样本数据的预设场景；

若存在，则针对每个未获取到样本数据的预设场景，从所述初始数据集中选取该预设场景的填充样本数据。

4.根据权利要求2所述的方法，其特征在于，所述根据预设分组规则，从所述多组样本数据中确定多组训练数据集及测试数据集，包括：将所述多组样本数据划分为多组训练数据集及测试数据集，其中，所述测试数据集包括一组或多组；或，针对每个预设场景下的每组样本数据，从该组样本数据中选取第一数量的数据，作为该预设场景的训练数据集，从该组样本数据中选取第二数量的数据，作为该预设场景的测试数据集。

5.根据权利要求1所述的方法，其特征在于，所述根据所述泛化参数及所述多组模型参数，计算得到所述预设模型在所述多个预设场景下的协同模型参数，将使用所述协同模型参数的预设模型作为目标模型，包括：对各组模型参数的泛化参数进行归一化处理，得到各组模型参数的泛化参数的归一值，其中，各组模型参数的泛化参数的归一值的和为1；

将所述归一值作为每组模型参数的权重，计算各组模型参数的加权平均值，得到所述预设模型在所述多个预设场景下的协同模型参数，将使用所述协同模型参数的预设模型作为目标模型。

6.根据权利要求1所述的方法，其特征在于，所述获取预设模型的多组模型参数及测试数据集，包括：按照预设周期，获取预设模型的多组模型参数及测试数据集；

所述利用所述测试数据集，分别计算每组模型参数的泛化参数，包括：针对每一预设周期，利用该预设周期内获取的测试数据集，分别计算该预设周期内获取的每组模型参数及上一周期所确定的协同模型参数的泛化参数；

所述根据所述泛化参数及所述多组模型参数，计算得到所述预设模型在所述多个预设场景下的协同模型参数，包括：针对每一预设周期，根据该预设周期内得到的泛化参数、该预设周期内获取的多组模型参数及上一周期所确定的协同模型参数，计算得到所述预设模型在该预设周期内、在所述多个预设场景下的协同模型参数。

7.一种模型训练装置，其特征在于，所述装置包括：获取模块，用于获取预设模型在多个预设场景下的多组模型参数及测试数据集，其中，每组模型参数是利用一个预设场景下的训练数据集对所述预设模型进行训练得到的，所述预设模型为与特定的深度学习任务对应的模型，所述特定的深度学习任务包括：目标检测、目标识别、目标分割或目标分类；

测试模块，用于利用所述测试数据集，分别对使用每组模型参数的预设模型进行泛化测试，得到每组模型参数对应的泛化参数，其中，所述每组模型参数对应的泛化参数用于表征使用该组模型参数的预设模型对所述测试数据集的适应能力；

计算模块，用于根据所述泛化参数，对所述多组模型参数进行加权计算得到所述预设模型在所述多个预设场景下的协同模型参数，将使用所述协同模型参数的预设模型作为目标模型。

8.根据权利要求7所述的装置，其特征在于，所述获取模块，具体用于：获取多个预设场景下的多组样本数据，其中，每组样本数据分别与每个预设场景对应；

根据预设分组规则，从所述多组样本数据中确定多组训练数据集及测试数据集；

针对每组训练数据集，利用预设模型对该组训练数据集进行训练，得到该组训练数据集对应的所述预设模型的模型参数。

9.根据权利要求8所述的装置，其特征在于，所述获取模块，具体用于：获取多个预设场景下的多组样本数据及所述多个预设场景的标识；

所述装置还包括：

获取初始数据集及所有预设场景的标识；

根据所述多个预设场景的标识及所有预设场景的标识，判断是否存在未获取到样本数据的预设场景；

若存在，则针对每个未获取到样本数据的预设场景，从所述初始数据集中选取该预设场景的填充样本数据。

10.根据权利要求8所述的装置，其特征在于，所述获取模块，具体用于：将所述多组样本数据划分为多组训练数据集及测试数据集，其中，所述测试数据集包括一组或多组；或，针对每个预设场景下的每组样本数据，从该组样本数据中选取第一数量的数据，作为该预设场景的训练数据集，从该组样本数据中选取第二数量的数据，作为该预设场景的测试数据集。

11.根据权利要求7所述的装置，其特征在于，所述计算模块，具体用于：对各组模型参数的泛化参数进行归一化处理，得到各组模型参数的泛化参数的归一值，其中，各组模型参数的泛化参数的归一值的和为1；

将所述归一值作为每组模型参数的权重，计算各组模型参数的加权平均值，得到所述预设模型在所述多个预设场景下的协同模型参数，将使用所述协同模型参数的预设模型作为目标模型。

12.根据权利要求7所述的装置，其特征在于，所述获取模块，具体用于按照预设周期，获取预设模型的多组模型参数及测试数据集；

所述测试模块，具体用于针对每一预设周期，利用该预设周期内获取的测试数据集，分别计算该预设周期内获取的每组模型参数及上一周期所确定的协同模型参数的泛化参数；

所述计算模块，具体用于针对每一预设周期，根据该预设周期内得到的泛化参数、该预设周期内获取的多组模型参数及上一周期所确定的协同模型参数，计算得到所述预设模型在该预设周期内、在所述多个预设场景下的协同模型参数。

13.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-6任一所述的方法步骤。

14.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法步骤。