1.一种神经网络模型训练的方法，其特征在于，所述方法包括：获取新增样本集；

将所述新增样本集输入目标神经网络模型，得到所述目标神经网络模型中至少一个候选分割层输出的特征数据集，其中，所述候选分割层为所述目标神经网络模型中的网络层；

确定每个候选分割层输出的特征数据集的聚类程度，在所述候选分割层中确定出满足预设条件的聚类程度对应的目标分割层；

基于所述新增样本集对所述目标分割层之后的网络层进行训练。

2.根据权利要求1所述的方法，其特征在于，所述获取新增样本之前，还包括：根据所述目标神经网络模型中各网络层的位置，在所述目标神经网络模型中确定出所述候选分割层。

3.根据权利要求2所述的方法，其特征在于，所述根据所述目标神经网络模型中各网络层的位置，在所述目标神经网络模型中确定出所述候选分割层，包括：在所述目标神经网络模型中的网络层中，确定出网络连接层，作为所述候选分割层，其中，所述网络连接层连接所述目标神经网络模型，如果将所述网络连接层在所述目标神经网络模型中去除，则所述目标神经网络模型分为独立的两部分。

4.根据权利要求1所述的方法，其特征在于，所述确定每个候选分割层输出的特征数据集的聚类程度，在所述候选分割层中确定出满足预设条件的聚类程度对应的目标分割层，包括：

对于每个候选分割层，根据所述新增样本集中各新增样本所属的类别，确定所述候选分割层输出的特征数据集中每个特征数据所属的类别，每个类别的特征数据组成所述类别的特征数据子集；

对于每个类别的特征数据子集，确定对应的特征均值；

计算每个类别的特征数据子集中每个特征数据与所述特征数据子集对应的特征均值之间的聚类距离；

基于每个类别的特征数据子集中每个特征数据与所述特征数据子集对应的特征均值之间的聚类距离，和所述类别的特征数据的数目，确定所述类别的特征数据子集对应的第一聚类距离均值；

基于每个类别的特征数据子集对应的第一聚类距离均值和类别的数目，确定所述候选分割层输出的特征数据集对应的第二聚类距离均值；

在所有候选分割层输出的特征数据集对应的第二聚类距离均值中，确定出满足预设条件的目标聚类距离均值；

将所述目标聚类距离均值对应的候选分割层确定为目标分割层。

5.根据权利要求4所述的方法，其特征在于，所述确定出满足预设条件的目标聚类距离均值，包括：

确定出小于第一预设阈值的第三聚类距离均值；

将所述第三聚类距离中的最小值，确定为目标聚类距离均值。

6.根据权利要求4所述的方法，其特征在于，所述在所有候选分割层输出的特征数据集对应的第二聚类距离均值中，确定出满足预设条件的目标聚类距离均值；将所述目标聚类距离均值对应的候选分割层，确定为目标分割层，包括：在所有候选分割层输出的特征数据集对应的第二聚类距离均值中，确定出小于第二预设阈值的第四聚类距离均值；

在所述第四聚类距离均值中，如果存在小于第三预设阈值的第五聚类距离均值，则在所述第五聚类均值对应的候选分割层中，将距离所述目标神经网络模型中的输入层最远的候选分割层，确定为目标分割层；

如果不存在小于所述第三预设阈值的第五聚类距离均值，则将所述第四聚类距离均值中的最小值确定为目标聚类距离均值；

将所述目标聚类距离均值对应的候选分割层确定为目标分割层。

7.根据权利要求1-6所述的方法，其特征在于，所述目标神经网络模型是以第一隐私场景的图像监控数据为训练数据训练得到的神经网络模型，所述新增样本集为第二隐私场景的图像监控数据。

8.根据权利要求1-6所述的方法，其特征在于，所述目标神经网络模型是以第一非隐私场景的图像监控数据为训练数据训练得到的神经网络模型，所述新增样本集为第二非隐私场景的图像监控数据；

所述基于所述新增样本集对所述目标分割层之后的网络层进行训练，包括：基于所述新增样本集和历史样本集对所述目标分割层之后的网络层进行训练，其中，所述历史样本集为所述第一非隐私场景的图像监控数据。

9.一种神经网络模型训练的装置，其特征在于，所述装置包括：获取模块，用于获取新增样本集；

输入模块，用于将所述新增样本集输入目标神经网络模型，得到所述目标神经网络模型中至少一个候选分割层输出的特征数据集，其中，所述候选分割层为所述目标神经网络模型中的网络层；

确定模块，用于确定每个候选分割层输出的特征数据集的聚类程度，在所述候选分割层中确定出满足预设条件的聚类程度对应的目标分割层；

训练模块，用于基于所述新增样本集对所述目标分割层之后的网络层进行训练。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：候选模块，用于根据所述目标神经网络模型中各网络层的位置，在所述目标神经网络模型中确定出所述候选分割层。

11.根据权利要求10所述的装置，其特征在于，所述候选模块，用于：在所述目标神经网络模型中的网络层中，确定出网络连接层，作为所述候选分割层，其中，所述网络连接层连接所述目标神经网络模型，如果将所述网络连接层在所述目标神经网络模型中去除，则所述目标神经网络模型分为独立的两部分。

12.根据权利要求9所述的装置，其特征在于，所述确定模块，用于：对于每个候选分割层，根据所述新增样本集中各新增样本所属的类别，确定所述候选分割层输出的特征数据集中每个特征数据所属的类别，每个类别的特征数据组成所述类别的特征数据子集；

对于每个类别的特征数据子集，确定对应的特征均值；

计算每个类别的特征数据子集中每个特征数据与所述特征数据子集对应的特征均值之间的聚类距离；

基于每个类别的特征数据子集中每个特征数据与所述特征数据子集对应的特征均值之间的聚类距离，和所述类别的特征数据的数目，确定所述类别的特征数据子集对应的第一聚类距离均值；

基于每个类别的特征数据子集对应的第一聚类距离均值和类别的数目，确定所述候选分割层输出的特征数据集对应的第二聚类距离均值；

在所有候选分割层输出的特征数据集对应的第二聚类距离均值中，确定出满足预设条件的目标聚类距离均值；

将所述目标聚类距离均值对应的候选分割层确定为目标分割层。

13.根据权利要求12所述的装置，其特征在于，所述确定模块，用于：确定出小于第一预设阈值的第三聚类距离均值；

将所述第三聚类距离中的最小值，确定为目标聚类距离均值。

14.根据权利要求12所述的装置，其特征在于，所述确定模块，用于：在所有候选分割层输出的特征数据集对应的第二聚类距离均值中，确定出小于第二预设阈值的第四聚类距离均值；

在所述第四聚类距离均值中，如果存在小于第三预设阈值的第五聚类距离均值，则在所述第五聚类均值对应的候选分割层中，将距离所述目标神经网络模型中的输入层最远的候选分割层，确定为目标分割层；

如果不存在小于所述第三预设阈值的第五聚类距离均值，则将所述第四聚类距离均值中的最小值确定为目标聚类距离均值；

将所述目标聚类距离均值对应的候选分割层确定为目标分割层。

15.根据权利要求9-14所述的装置，其特征在于，所述目标神经网络模型是以第一隐私场景的图像监控数据为训练数据训练得到的神经网络模型，所述新增样本集为第二隐私场景的图像监控数据。

16.根据权利要求9-14所述的装置，其特征在于，所述目标神经网络模型是以第一非隐私场景的图像监控数据为训练数据训练得到的神经网络模型，所述新增样本集为第二非隐私场景的图像监控数据；

所述训练模块，用于：

基于所述新增样本集和历史样本集对所述目标分割层之后的网络层进行训练，其中，所述历史样本集为所述第一非隐私场景的图像监控数据。