1.一种基于改进U-Net网络的图像分割模型，其特征在于，所述模型采用编解码结构，包括：编码模块、解码模块、编解码连接层和多特征融合模块；

所述编码模块包括多个串接的编码单元，每个编码单元包括编码紧密块和下采样块；

每个编码紧密块对当前编码单元的输入进行特征提取，得到对应的编码稠密输出；所述编码稠密输出经过下采样块进行下采样后得到当前编码单元的输出，并将其作为下一编码单元的输入；

所述解码模块包括多个与所述编码单元一一对应的解码单元，每个解码单元包括上采样块和解码紧密块；每个所述解码单元的输入包括第一输入和第二输入，所述第一输入经上采样块进行上采样后与所述第二输入拼接后输入到当前解码紧密块，作为当前解码紧密块的输入；

所述编解码连接层用于连接所述编码模块与所述解码模块，对最后一编码单元的输出进行特征提取后，得到编解码连接层的输出，并将其输入至第一解码单元；

所述多特征融合模块包括上采样层和加性融合层；所述上采样层对各所述解码紧密块的输出进行对应的上采样后输入至加性融合层进行叠加，得到图像分割结果。

2.根据权利要求1所述的模型，其特征在于，所述第一解码单元的第一输入为所述编解码连接层的输出，第二输入为第一解码单元对应的编码单元中编码紧密块的输出；

其他解码单元的第一输入为上一解码单元的输出，第二输入为当前解码单元对应的编码单元中编码紧密块的输出。

3.根据权利要求1所述的模型，其特征在于，所述多特征融合模块的上采样层包括与各解码紧密块的输出分别对应的上采样块，用于将各解码紧密块的输出恢复至输入图像的大小，以供加性融合层进行叠加。

4.根据权利要求1所述的模型，其特征在于，所述编码紧密块与所述解码紧密块的结构相同，均采用紧密块；所述紧密块包括卷积块、过渡块，所述卷积块与所述过渡块跳跃连接；

所述卷积块包括多个卷积核相同的标准卷积层，用于对紧密块的输入进行逐层提取；

每个卷积层的输入都与前面所有层的输出有关，在后卷积层的输入是在前所有卷积层的输入和前一卷积层的输出的拼接；

所述过渡块用于将卷积块中所有卷积层逐层提取的输出以及紧密块的输入合并。

5.根据权利要求4所述的模型，其特征在于，所述过渡块采用卷积核为1×1的标准卷积。

6.根据权利要求4所述的模型，其特征在于，采用紧密块作为所述编解码连接层。

7.一种用于权利要求1～6中任一项所述的图像分割模型的训练方法，其特征在于，包括：(1)将图像样本数据集按照预设的比例划分训练集、验证集和测试集；

(2)对模型权重进行初始化，利用训练集对初始化后的模型进行迭代训练，不断更新模型的权重，得到最新权重的模型；

(3)利用验证集对最新权重的模型进行验证，继续更新模型的权重，对已训练的权重进行调整，直至模型收敛，将此时的模型参数作为最终的模型参数用于图像分割。

8.根据权利要求7所述的方法，其特征在于，采用He正态分布初始化方法来进行初始化网络的权重，初始权重满足均值为0，标准差为 的正态分布，其中x指权重矩阵中元素的数量。

9.根据权利要求7所述的方法，其特征在于，所述训练方法的损失函数Ln表示为：Ln＝λLbce+(1-λ)(1-Ldi)

其中，λ(0≤λ≤1)为Ln的参数，Lbce为交叉熵损失函数，Ldi为骰子损失函数，其表达式分别为：其中，N为图像像素点的个数，gi为正确分割图像的像素值，ti指训练出的图像的像素值。

10.根据权利要求7所述的方法，其特征在于，权重更新规律表示为：其中， 表示现在第k层的权重， 表示上一次训练时的第k层权重，η表示学习率，表示损失函数对第k层权重求偏导。