1.一种基于相对熵损失函数卷积神经网络的脑龄预测方法，其特征在于，包括以下步骤：

步骤1.采集被试的功能型磁共振影像数据形成原始样本集，所述原始样本集的样本包括被试的功能型磁共振影像数据及对应的被试的实际年龄；

步骤2.对原始样本集中功能型磁共振影像数据预处理形成三维的T1图像数据，并将T1图像数据和实际年龄一一对应形成样本集；

步骤3.将样本集划分为训练样本集和测试样本集；

步骤4.利用训练样本集训练3DCNN形成脑龄预测模型，所述3DNN在训练过程中采用分类网络的相对熵损失函数反向更新3DCNN的网络参数；

步骤5.将测试集输入脑龄预测模型得到预测的脑龄。

2.根据权利要求1所述的基于相对熵损失函数卷积神经网络的脑龄预测方法，其特征在于，所述步骤2中包含以下步骤：步骤21.对原始样本集中功能型磁共振影像数据利用切片时间矫正、头动矫正和空间正则化预处理将噪声信息去除并形成三维图像数据；

步骤22.对所述三维图像数据中心化处理形成三维的T1图像数据。

3.根据权利要求1所述的基于相对熵损失函数卷积神经网络的脑龄预测方法，其特征在于，所述步骤3包含以下步骤：步骤31.将样本训练集中的T1图像数据送入3DCNN的特征提取网络提取特征图；

步骤32.将特征图送至3DCNN的分类网络得到各实际年龄标签agec的分类概率pc，利用得到预测脑龄；

步骤33 .利用预测脑龄pred和实际年龄age计算相对熵损失函数：其中，n为样本训练集中T1图像数据的个数，利用相对熵损失函数反向更新特征提取网络及分类网络的网络参数，直至达到预设的迭代停止条件。

4.根据权利要求3所述的基于相对熵损失函数卷积神经网络的脑龄预测方法，其特征在于，所述步骤33中预设的迭代停止条件包含迭代次数或者相对熵损失函数最大阈值。

5.根据权利要求3所述的基于相对熵损失函数卷积神经网络的脑龄预测方法，其特征在于，所述特征提取网络包含五个特征提取模块，前四个特征提取模块均包含3*3*3的卷积层、批归一化层、Relu激活函数层、步长为2的池化层，第五个特征提取模块包含1*1*1的卷积层、批归一化层、Relu激活函数层、步长为2的池化层，所述五个特征提取模块的通道数分别为32、64、128、128及32。

6.根据权利要求5所述的基于相对熵损失函数卷积神经网络的脑龄预测方法，其特征在于，所述批归一化层中的批归一化处理具体为：步骤a.计算经过卷积层后批量T1图像数据的均值μβ：步骤b.计算经过卷积层后批量T1图像数据的方差步骤c.规划范处理：