1.一种异常行为样本生成方法，其特征在于，包括以下步骤：S1、从数据集中随机采样5个类别的图片样本构成一个少样本任务，将ResNet50作为特征提取器，对所用数据集中的图片进行特征提取操作，分别得到对应图片的特征向量；利用类质心估计算法从基类充足的样本中搜索与其他样本特征的距离之和最小的样本，即基类的质心，并将它作为基类中心；所述基类中心计算过程包括：利用下式计算当前次迭代的梯度 ；利用下式更新当前次迭代的锚点值： ，直至找出到其他样本点的距离之和最小的锚点，即得到基类中心；其中，x0为上一轮迭代后的锚点， 为更新后的锚点，xi为同类的其他样本，n为样本数，α为学习率；

S2、对于少样本任务中的每一个新类图片样本，计算该新类图片样本与上一步得到的所有基类的中心的欧式距离，作为该新类图片样本与各个基类的距离度量，并选择与该新类图片样本距离最近的k个基类作为最近邻基类；

S3、计算所有最近邻基类中心的平均值，作为该新类图片样本的近似类中心，计算近似类中心与新类图片样本的中点，作为最终的新类分布中心；

S4、利用最终的新类分布中心，构造基于高斯分布函数的样本生成器，随机生成大量的虚拟样本，然后将这些生成的虚拟样本作为逻辑回归分类器的输入，以训练一个异常行为分类器。

2.根据权利要求1所述的异常行为样本生成方法，其特征在于，步骤S4中，将所述最终的新类分布中心作为高斯分布函数的均值，将随机值作为高斯分布函数的方差，构造基于高斯分布的样本生成器，得到随机生成的虚拟样本。

3.根据权利要求2所述的异常行为样本生成方法，其特征在于，所述随机值取值范围为

0.2～0.5。

4.一种异常行为样本生成系统，其特征在于，包括计算机设备；所述计算机设备被配置或编程为用于执行权利要求1～3之一所述方法的步骤。