1.一种基于元学习的概率域泛化学习方法，利用从前序任务中收集和吸收适用于很多任务的知识的能力，用于改善传统的物体分类系统在少量数据情况下的性能下降问题，使物体分类技术实用化，其特征在于：包括以下步骤：输入：具有K个源域的训练图形数据集S，学习率λ，迭代次数Niter；

输出：参数θ，包括一个特征提取网络h的参数和两个推理网络g1和g2参数；分类模型参数ψ；

S1、从K个源域随机选取一个作为目标域，其余K‑1个作为源域；

s

S2、从每一个源域D中选取包含C个类别的M个样本，表示为t

S3、从目标域D中选取N个样本，表示为s

S4、对源域数据集D第c类的每一个样本 利用卷积神经网络提取特征如下：S5、对于源域数据集Ds中的每一个类别的样本，利用置换不变的实例池化操作，得到类别的平均特征S6、重复S4‑S5，计算所有类别的平均特征S7、将类别平均特征 送入推理网络g1中，计算关于该类别分类器参数ψ的分布；

S8、从每个类别分类器的概率分布即 中抽取样本，最后构成权重向量ψc；

S9、对每一个类别重复S7‑S8，并按照列排列构成矩阵如下：ψ＝[ψ1,ψ2，…,ψC]

S10、将类别平均特征 送入推理网络g2中，计算关于隐含变量zc的分布；

S11、从每个类别的隐含变量的概率分布，即 中抽取样本，最后构成隐含向量zc；

t

S12、对目标域数据集D第c类的每一个样本 利用特征提取网络h提取特征如下：S13、将目标域的每一个类别的每一个特征送入推理网络g2中，计算关于目标域的分布；

S14、从每个类别的隐含变量的概率分布，即 中抽取样本zj，c；

S15、计算每个类别的损失函数如下：S16、重复S12‑S15，使其覆盖所有类别；

S17、按照如下公式迭代更新参数θ，S18、重复S2‑S17，到所有K‑1结束。

2.根据权利要求1所述的一种基于元学习的概率域泛化学习方法，其特征在于：所述S7中用高斯分布表示每个类别分类器参数的概率分布，即利用推理网络g1，得到类别c的分类器参数分布的均值 和方差

3.根据权利要求1所述的一种基于元学习的概率域泛化学习方法，其特征在于：所述S10中用高斯分布表示每个类别隐含变量的概率分布，即利用推理网络g2，得到类别c的隐含变量分布的均值 和方差

4.根据权利要求1所述的一种基于元学习的概率域泛化学习方法，其特征在于：所述S13中用高斯分布表示每个类别隐含变量的概率分布，即利用推理网络g2，得到类别c中样本j的分布的均值 和方差

5.根据权利要求1所述的一种基于元学习的概率域泛化学习方法，其特征在于：所述元学习方法在训练阶段后进行需进行元学习的测试。

6.根据权利要求5所述的一种基于元学习的概率域泛化学习方法，其特征在于：所述元学习测试的方法为：输入：参数θ，包括一个特征提取网络h的参数和两个推理网络g1和g2参数；参数ψ，分类模型；待分类的目标域任务；

输出：分类结果；

步骤1：从目标域T中选取N个样本，表示为步骤2：每一个样本 利用特征提取网络h提取特征如下：步骤3：每一个样本 的特征 送入推理网络g2中，得到样本 的分布的均值和方差步骤4：从样本隐含变量的概率分布，即 中抽取样本zj；

步骤5：利用分类器参数ψ计算分类结果，即ψzj得到的向量中最大维度表示的类别，即为分类结果。