1.一种基于卷积和残差网络的HER2图像分类方法，其特征在于，所述图像分类方法包括如下步骤：

从组织微阵列数据库中获取多张带注释的HER2图像，作为初始数据样本；

采用裁剪函数对每个所述初始数据样本分别进行裁剪，获得每个所述初始数据样本对应的多个扩展数据样本，建立扩展数据样本集；

利用扩展数据样本集对卷积和残差网络进行训练，获得训练后的卷积和残差网络，作为HER2图像分类模型；

将待分类的HER2图像输入HER2图像分类模型，获得待分类的HER2图像的分类结果。

2.根据权利要求1所述的基于卷积和残差网络的HER2图像分类方法，其特征在于，所述卷积和残差网络包括从输入到输出依次包括输入层、第一模块、第二模块、第三模块、第四模块、第五模块、展平层、随机丢弃层、全连接层和输出层；

所述第一模块包括平滑滤波器，利用平滑滤波器提高图像的质量；

所述第二模块包括卷积层、批量归一化层、激活层和池化层；

所述第三模块包括卷积残差块、恒等残差块和池化层；

所述第四模块包括卷积残差块、恒等残差块和池化层；

所述第五模块包括卷积层、批量归一化层、激活层和池化层。

3.根据权利要求2所述的基于卷积和残差网络的HER2图像分类方法，其特征在于，所述第二模块的卷积层包括11×11的卷积滤波器，所述第五模块的卷积层包括3×3的卷积滤波器，所述第二模块和所述第五模块的激活层均使用ReLu函数f(x)＝max(0,x)作为激活函数；其中，x为激活函数的输入，f(x)为激活函数的输出。

4.根据权利要求1所述的基于卷积和残差网络的HER2图像分类方法，其特征在于，所述利用扩展数据样本集对卷积和残差网络进行训练，获得训练后的卷积和残差网络，作为HER2图像分类模型，具体包括：将所述扩展数据样本集划分为训练集和测试集；

将所述训练集输入数据生成器，生成第n次训练的训练数据；

将第n次训练的训练数据输入卷积和残差网络，获得第n次训练的模型输出结果；

根据第n次训练的模型输出结果，计算第n次训练的交叉熵损失函数值；

判断第n次训练的交叉熵损失函数值是否小于交叉熵损失函数阈值，获得第一判断结果；

若所述第一判断结果表示否，则根据第n次训练的交叉熵损失函数值和第n‑1次训练的交叉熵损失函数值的差值调整学习率，获得调整后的学习率；

利用调整后的学习率对卷积和残差网络的参数进行更新，令n的数值增加1，返回步骤“将所述训练集输入数据生成器，生成第n次训练的训练数据”；

若所述第一判断结果表示是，则将测试集输入第n‑1次训练过程中参数调整后的学习率对卷积和残差网络，计算分类准确率；

判断所述分类准确率是否大于准确率阈值，获得第二判断结果；

若所述第二判断结果表示否，则调整交叉熵损失函数阈值，令n的数值增加1，返回步骤“将所述训练集输入数据生成器，生成第n次训练的训练数据”；

若所述第二判断结果表示是，则输出第n‑1次训练过程中参数调整后的学习率对卷积和残差网络，作为训练后的学习率对卷积和残差网络。

5.根据权利要求4所述的基于卷积和残差网络的HER2图像分类方法，其特征在于，所述将所述训练集输入数据生成器，生成第n次训练的训练数据，之前还包括：利用回调函数将训练集中的扩展数据样本的索引次序进行打乱，获得次序打乱后的训练集。

6.一种基于卷积和残差网络的HER2图像分类系统，其特征在于，所述图像分类系统包括：

初始数据样本获取模块，用于从组织微阵列数据库中获取多张带注释的HER2图像，作为初始数据样本；

数据样本裁剪模块，用于采用裁剪函数对每个所述初始数据样本分别进行裁剪，获得每个所述初始数据样本对应的多个扩展数据样本，建立扩展数据样本集；

模型训练模块，用于利用扩展数据样本集对卷积和残差网络进行训练，获得训练后的卷积和残差网络，作为HER2图像分类模型；

分类模块，用于将待分类的HER2图像输入HER2图像分类模型，获得待分类的HER2图像的分类结果。

7.根据权利要求6所述的基于卷积和残差网络的HER2图像分类系统，其特征在于，所述卷积和残差网络包括从输入到输出依次包括输入层、第一模块、第二模块、第三模块、第四模块、第五模块、展平层、随机丢弃层、全连接层和输出层；

所述第一模块包括平滑滤波器，利用平滑滤波器提高图像的质量；

所述第二模块包括卷积层、批量归一化层、激活层和池化层；

所述第三模块包括卷积残差块、恒等残差块和池化层；

所述第四模块包括卷积残差块、恒等残差块和池化层；

所述第五模块包括卷积层、批量归一化层、激活层和池化层。

8.根据权利要求7所述的基于卷积和残差网络的HER2图像分类系统，其特征在于，所述第二模块的卷积层包括11×11的卷积滤波器，所述第五模块的卷积层包括3×3的卷积滤波器，所述第二模块和所述第五模块的激活层均使用ReLu函数f(x)＝max(0,x)作为激活函数；其中，x为激活函数的输入，f(x)为激活函数的输出。

9.根据权利要求6所述的基于卷积和残差网络的HER2图像分类系统，其特征在于，所述模型训练模块，具体包括：

扩展数据样本集划分子模块，用于将所述扩展数据样本集划分为训练集和测试集；

训练数据生成子模块，用于将所述训练集输入数据生成器，生成第n次训练的训练数据；

模型输出结果获取子模块，用于将第n次训练的训练数据输入卷积和残差网络，获得第n次训练的模型输出结果；

交叉熵损失函数值计算子模块，用于根据第n次训练的模型输出结果，计算第n次训练的交叉熵损失函数值；

第一判断子模块，用于判断第n次训练的交叉熵损失函数值是否小于交叉熵损失函数阈值，获得第一判断结果；

学习率调整子模块，用于若所述第一判断结果表示否，则根据第n次训练的交叉熵损失函数值和第n‑1次训练的交叉熵损失函数值的差值调整学习率，获得调整后的学习率；

第一返回子模块，用于利用调整后的学习率对卷积和残差网络的参数进行更新，令n的数值增加1，返回步骤“将所述训练集输入数据生成器，生成第n次训练的训练数据”；

分类准确率计算子模块，用于若所述第一判断结果表示是，则将测试集输入第n‑1次训练过程中参数调整后的学习率对卷积和残差网络，计算分类准确率；

第二判断子模块，用于判断所述分类准确率是否大于准确率阈值，获得第二判断结果；

第二返回子模块，用于若所述第二判断结果表示否，则调整交叉熵损失函数阈值，令n的数值增加1，返回步骤“将所述训练集输入数据生成器，生成第n次训练的训练数据”；

训练后的学习率对卷积和残差网络输出子模块，用于若所述第二判断结果表示是，则输出第n‑1次训练过程中参数调整后的学习率对卷积和残差网络，作为训练后的学习率对卷积和残差网络。

10.根据权利要求9所述的基于卷积和残差网络的HER2图像分类系统，其特征在于，所述模型训练模块，还包括：

次序打乱子模块，用于利用回调函数将训练集中的扩展数据样本的索引次序进行打乱，获得次序打乱后的训练集。