1.一种应用于图像分析的基于特征和样本对抗共生的多任务学习方法，其特征在于，包括以下步骤：

S1、随机抽取任务的样本，生成与领域无关的共性隐式特征；步骤S1中具体的：任务样本输入到特征提取器中去，特征提取器生成包含领域共性的隐式特征，然后领域鉴别器对隐式特征进行关联领域的判别，并且产生领域标签，特征提取器和领域鉴别器进行对抗博弈，以生成包含领域共性的隐式特征；

S2、基于步骤S1中生成的共性隐式特征，生成高仿真的样本，该高仿真的样本作为步骤S1下一循环的任务样本；步骤S2中具体的：通过分类鉴别器、样本生成器、样本分类器两两进行对抗博弈，以产生高仿真的样本和准确的预测：在领域无关的隐式特征的基础上，样本分类器为无标签的样本预测类别标签；样本生成器在隐式特征和随机信号的共同作用下，产生高仿真的样本，类鉴别器鉴别三种类型的样本‑类别对，分别是：真实样本‑真实类标签对、真实样本‑预测类标签对、以及仿真样本‑真实类标签对，分类鉴别器尽可能将真实的样本‑类别对和非真实的样本‑类别对鉴别出来，而样本分类器和样本生成器则尽可能产生分类鉴别器无法区分的预测标签和仿真样本；

S3、循环步骤S1和S2，直到多任务的对抗博弈达到均衡时，生成最终的高仿真样本和高质量分类标签。

2.一种应用于图像分析的基于特征和样本对抗共生的多任务学习系统，其特征在于，包括特征提取器、领域鉴别器、样本生成器、样本分类器和分类鉴别器；

所述特征提取器和领域鉴别器均随机抽取任务样本进行对抗博弈并促使特征提取器生成与领域无关的共性隐式特征；

所述样本生成器和样本分类器分别随机抽取特征提取器生成的共性隐式特征；

所述样本生成器、样本分类器和分类鉴别器两两进行对抗博弈，所述样本生成器生成高仿的样本并被特征提取器和领域鉴别器分别随机抽取进入下一循环的对抗博弈，所述样本分类器生成分类标签。