1.一种目标神经网络模型训练方法，其特征在于，至少应用于搜索场景或识别场景，所述方法包括：获取第一模态的第一样本集以及第二模态的第二样本集的特征分布，所述第一样本集为第一图像样本集，所述第二样本集为第二图像样本集，所述第一图像样本集与所述第二图像样本集为所述搜索场景或所述识别场景下不同模态的图像集；

将所述第一样本集输入初始深度神经网络模型，得到所述第一样本集的特征数据，所述第一样本集的特征数据包括所述第一样本集的第一类特征数据；

基于所述第一样本集的第一类特征数据，得到所述第一样本集的特征分布；

利用第一损失函数对所述初始深度神经网络模型的参数进行调整，得到目标神经网络模型；

其中，所述第一损失函数与所述第一样本集的特征分布以及所述第二样本集的特征分布相关。

2.根据权利要求1所述的方法，其特征在于，所述第一损失函数中包括第二样本集的特征分布与第一样本集的特征分布之间的距离。

3.根据权利要求1所述的方法，其特征在于，所述第一损失函数还与所述第一样本集的预测输出结果以及所述第一样本集的标准输出结果相关。

4.根据权利要求3所述的方法，其特征在于，所述第一样本集的特征数据还包括第一样本集的第二类特征数据，所述第一样本集的预测输出结果与所述第一样本集的第一类特征数据以及所述第一样本集的第二类特征数据相关。

5.根据权利要求1所述的方法，其特征在于，获取第二模态的第二样本集的特征分布的方式，包括：获取所述第二模态的第二样本集；

将所述第二样本集输入已训练的第一深度神经网络模型，得到所述第二样本集的第一类特征数据，其中，所述已训练的第一深度神经网络模型基于第三样本集训练得到，所述第三样本集为所述第二模态的样本集；

基于所述第二样本集的第一类特征数据，得到所述第二样本集的特征分布。

6.一种目标神经网络模型训练装置，其特征在于，至少应用于搜索场景或识别场景，所述装置包括：第一获取模块，用于获取第一模态的第一样本集以及第二模态的第二样本集的特征分布，所述第一样本集为第一图像样本集，所述第二样本集为第二图像样本集，所述第一图像样本集与所述第二图像样本集为所述搜索场景或所述识别场景下不同模态的图像集；

第一特征获取模块，用于将所述第一样本集输入初始深度神经网络模型，得到所述第一样本集的特征数据，所述第一样本集的特征数据包括所述第一样本集的第一类特征数据；

第一特征分布获取模块，用于基于所述第一样本集的第一类特征数据，得到所述第一样本集的特征分布；

确定模块，用于利用第一损失函数对所述初始深度神经网络模型的参数进行调整，得到目标神经网络模型；

其中，所述第一损失函数与所述第一样本集的特征分布以及所述第二样本集的特征分布相关。

7.根据权利要求6所述的装置，其特征在于，所述第一损失函数中包括第二样本集的特征分布与第一样本集的特征分布之间的距离。

8.根据权利要求6所述的装置，其特征在于，所述第一损失函数还与所述第一样本集的预测输出结果以及所述第一样本集的标准输出结果相关。

9.根据权利要求8所述的装置，其特征在于，所述第一样本集的特征数据还包括第一样本集的第二类特征数据，所述第一样本集的预测输出结果与所述第一样本集的第一类特征数据以及所述第一样本集的第二类特征数据相关。

10.根据权利要求6所述的装置，其特征在于，所述第一获取模块，包括：样本集获取模块，用于获取所述第二模态的第二样本集；

第二特征获取模块，用于将所述第二样本集输入已训练的第一深度神经网络模型，得到所述第二样本集的第一类特征数据，其中，所述已训练的第一深度神经网络模型基于第三样本集训练得到，所述第三样本集为所述第二模态的样本集；

第二特征分布获取模块，用于基于所述第二样本集的第一类特征数据，得到所述第二样本集的特征分布。

11.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1‑5中任一所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行如权利要求1‑5中任一所述的方法。