1.一种图像分类方法，其特征在于，包括：

获取待分类图像；

通过训练后的卷积神经网络对所述待分类图像进行筛选，得到正样本，其中，所述正样本为包含预设形状特征的图像；

提取目标图像中的至少一个敏感词，其中，所述目标图像为所述正样本中的任一图像；

根据所述至少一个敏感词确定所述目标图像的图像类型。

2.根据权利要求1所述的图像分类方法，其特征在于，所述通过训练后的卷积神经网络对所述待分类图像进行筛选，得到正样本，包括：将所述待分类图像输入至所述卷积神经网络中，得到所述待分类图像为正样本的概率值；

将所述概率值与预设的概率阈值进行比较；

若所述概率值不小于所述概率阈值，则判定所述待分类图像为正样本；

若所述概率值小于所述概率阈值，则判定所述待分类图像不是正样本。

3.根据权利要求1所述的图像分类方法，其特征在于，所述根据所述至少一个敏感词确定所述目标图像的图像类型，包括：分别确定每一个敏感词所对应的权重值；

获取每一个敏感词所指向的图像类型；

根据各个敏感词所指向的图像类型，以及各个敏感词所对应的权重值，计算所述目标图像属于各个不同图像类型的概率；

根据所述目标图像属于各个不同图像类型的概率，确定所述目标图像所属的图像类型。

4.根据权利要求3所述的图像分类方法，其特征在于，所述分别确定每一个敏感词所对应的权重值，包括：在所述目标图像中，定位目标敏感词，所述目标敏感词为所述目标图像的任一敏感词；

获取所述目标敏感词在所述目标图像中的位置信息，其中，所述位置信息包括所述目标敏感词在所述目标图像中对应的行号和列号；

根据所述位置信息确定所述目标敏感词对应的权重值。

5.根据权利要求3所述的图像分类方法，其特征在于，所述根据所述目标图像属于各个不同图像类型的概率，确定所述目标图像所属的图像类型，包括：确定所述目标图像属于各个不同图像类型的概率中的最大概率；

将所述最大概率对应的图像类型确定为所述目标图像的图像类型。

6.根据权利要求1至5任一项所述的图像分类方法，其特征在于，所述卷积神经网络的训练过程包括：设置待训练的卷积神经网络的训练参数，其中，所述训练参数包括：迭代次数、学习率、图片尺寸、分类类别；

将训练图片输入至所述卷积神经网络，得到分类结果；

计算所述分类结果与预设的预测结果的误差，通过反向传播算法更新所述卷积神经网络的网络参数。

7.一种图像分类装置，其特征在于，包括：

图像获取单元，用于获取待分类图像；

图像分类单元，用于通过卷积神经网络对所述待分类图像进行筛选，得到正样本，其中，所述正样本为包含预设形状特征的图像；

敏感词提取单元，用于提取目标图像中的至少一个敏感词，其中，所述目标图像为所述正样本中的任一图像；

图像类型确定单元，用于根据所述至少一个敏感词确定所述目标图像的图像类型。

8.根据权利要求7所述的图像分类装置，其特征在于，所述图像分类单元包括：正样本概率计算子单元，用于将所述待分类图像输入至所述卷积神经网络中，得到所述待分类图像为正样本的概率值；

正样本概率比较子单元，用于将所述概率值与预设的概率阈值进行比较；若所述概率值不小于所述概率阈值，则判定所述待分类图像为正样本；若所述概率值小于所述概率阈值，则判定所述待分类图像不是正样本。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。