1.一种基于小样本学习的虹膜识别方法，其特征在于，具体步骤包括如下：获取虹膜图像，并对所述虹膜图像进行预处理，得到数据集；

在MAML框架下嵌套特征提取网络，构造虹膜图像识别模型；

对构造的所述虹膜识别模型进行训练，获取原模型参数值，利用梯度下降得到期望参数值，并更新原模型参数值；同时对损失函数引入L2正则化；

得到最优虹膜图像识别模型，进行虹膜识别。

2.根据权利要求1所述的一种基于小样本学习的虹膜识别方法，其特征在于，所述预处理的具体步骤包括：

根据瞳孔内部的像素值总和以及瞳孔轮廓上点P的梯度 与半径 是对齐的，其中O是瞳孔的中心， 和 之间的夹角θP和进行定位；

定位完成对虹膜图像进行分割，并保存分割后的虹膜图像；

进一步，使用Daugman方法进行虹膜图像归一化处理；

获得归一化的虹膜图像后对进行直方均衡化处理，预处理完成。

3.根据权利要求1所述的一种基于小样本学习的虹膜识别方法，其特征在于，所述特征提取网络在MAML内嵌的网络模型的基础上增加2个卷积层，其中每个卷积层为具有32个大小为3×3卷积核，一个批归一化处理单元，一个ReLU激活函数。

4.根据权利要求1所述的一种基于小样本学习的虹膜识别方法，其特征在于，对损失函数引入L2正则化具体步骤如下：引入L2正则化的交叉熵损失函数为：其中，n为样本数，xf为样本，λ为正则化参数，ω为权重参数， 为预测值，yj为真实值。

5.根据权利要求1所述的一种基于小样本学习的虹膜识别方法，其特征在于，更新原模型参数值具体步骤如下：

从给定的分布任务Ti～p(T)中选取组成训练所用的task，其中每个task包含K个类别，每个类别包含N个样本；

利用训练集获得原模型参数θ在Ti上的loss值 再利用梯度下降得到期望参数其中α为内循环使用的元训练学习率，此时通过计算来获得它在对应的task上的期望参数θi；

利用所述期望参数θi，更新原模型参数其中，β为原模型参数θ更新中的学习率。

6.根据权利要求1所述的一种基于小样本学习的虹膜识别方法，其特征在于，引入L2正则化的原模型参数值更新步骤如下：原模型参数θ，fθ为原模型中原模型参数θ的映射，即原模型参数值，新任务ti时，期望参数为θ′i，通过一次或多次的梯度更新计算得到，考虑到加入的L2正则化约束，一次单独的梯度更新计算如下所示：

其中，θ为原模型参数，f′θ为期望参数值，通过从分布p(T)中采样的任务训练进行优化，因此元目标表示为：

通过使用随机梯度下降，元学习的优化通过任务Ti～p(T)来进行，原模型参数θ如下调整:

其中β表示原模型参数θ更新中的学习率，等式(3)代入(5)，得到