1.一种基于元学习的小样本场景分类识别方法，其特征在于，包括如下步骤：采用原始训练数据对GAN模型进行训练得到预训练GAN模型；

将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；

根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，根据距离得到查询集样本的类别概率。

2.根据权利要求1所述基于元学习的小样本场景分类识别方法，其特征在于，所述将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；包括：

将原始训练数据重新构造为N‑way‑K‑shot的数据形式，组合成多组任务数据；

将多组任务数据输入至预训练GAN模型的生成模块中，由生成模型对每张图像加入噪声生成伪数据集，同时得到所有图像数据的图像特征向量；

通过一置信度判断模块从生成的伪数据集选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中。

3.根据权利要求1所述基于元学习的小样本场景分类识别方法，其特征在于，所述通过一置信度判断模块从生成的伪数据集选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中，包括采用机器学习方法对原始训练数据进行拟合得到分类模型；

使用分类模型伪数据集进行预测，其预测结果如下：其中，yi表示分类模型的偏置项，xi表示图像特征向量，β表示分类模型的系数矩阵，γi表示分类模型的参数；

采用sklearn包中的弹性网方法，找出解路径前N个γ＝0的伪数据加入到原始训练数据的支持集中。

4.根据权利要求3所述基于元学习的小样本场景分类识别方法，其特征在于，所述通过一置信度判断模块从生成的伪数据集选出置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中，包括：使用分类模型伪数据集进行迭代多轮预测，不断扩大原始训练数据中支持集的数量。

5.根据权利要求1所述基于元学习的小样本场景分类识别方法，其特征在于，所述根据支持集中每一类的图像特征向量得到每一类类向量，包括：通过奇异值分解将支持集中每一类的图像特征向量分解为多个子向量，取前若干个子向量作为最具有代表性的显著性图像特征向量计算得到每一类类向量。

6.根据权利要求1所述基于元学习的小样本场景分类识别方法，其特征在于，所述图像特征向量服从高斯分布。

7.根据权利要求1所述基于元学习的小样本场景分类识别方法，其特征在于，所述所有图像数据的图像特征向量包括原始训练数据的图像特征向量和伪数据的图像特征向量，所述原始训练数据的图像特征向量包括支持集样本数据的图像特征向量和查询集样本数据的图像特征向量。

8.一种基于元学习的小样本场景分类识别系统，其特征在于，包括如下功能模块：预训练模块，用于采用原始训练数据对GAN模型进行训练得到预训练GAN模型；

数据生成补充模块，用于将原始训练数据输入至预训练GAN模型的生成模块中得到伪数据集和所有图像数据的图像特征向量，选出伪数据集中置信度高于设定阈值的图像数据作为补充数据集加入到原始训练数据的支持集中；

类别计算模块，用于根据支持集中每一类的图像特征向量得到每一类类向量，计算查询集样本与支持集中每一类类向量之间距离，根据距离得到查询集样本的类别概率。

9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于元学习的小样本场景分类识别方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于元学习的小样本场景分类识别方法的步骤。