1.基于双向生成及中间域对齐的无监督域适应图像分类方法，其特征在于，包括以下步骤：

S1、双向生成网络：利用对抗博弈思想对图像进行训练生成；

S2、任务网络：通过重构损失、协方差对齐损失、任务和循环一致性损失监督指导S1生成图像的质量，保证图像身份信息，生成与另一个域样本分布相似的图像，将目标域图像所生成的伪源域图像与源域图像同时输入S3网络；

S3、分类网络：特征提取，分布对齐，令伪源域图像与源域图像分布靠近，对目标域图像分类。

2.根据权利要求1所述的基于双向生成及中间域对齐的无监督域适应图像分类方法，其特征在于：在所述S1中，将源域图像与目标域图像进行归一化预处理之后，同时输入到S1生成网络中。

3.根据权利要求2所述的基于双向生成及中间域对齐的无监督域适应图像分类方法，其特征在于：所述S1网络由两个生成器和两个判别器组成，两个生成器和两个判别器分为：源域分支的生成器GS、目标域分支生成器GT、源域分支的判别器DS和目标域分支的判别器DT；

所述源域分支的生成器GS，用于生成伪目标域图像IS‑t；

所述源域分支的判别器DS，用于判别源域图像和伪源域图像；

所述目标域分支生成器GT，用于生成伪源域图像It‑s；

所述目标域分支判别器DT，用于判别目标域图像和伪目标域图像。

4.根据权利要求3所述的基于双向生成及中间域对齐的无监督域适应图像分类方法，其特征在于：所述S1双向生成网络所产生的对抗损失如下所示：其中， 为目标域图像分布， 为源域图像分布。

5.根据权利要求1所述的基于双向生成及中间域对齐的无监督域适应图像分类方法，其特征在于：在所述S2中，任务网络用于指导和监督生成网络。

6.根据权利要求1所述的基于双向生成及中间域对齐的无监督域适应图像分类方法，其特征在于：所述S2任务网络所产生的重构损失如下所示：其中，Is为源域已有标签的图像，It为目标域待分类图像。

7.根据权利要求6所述的基于双向生成及中间域对齐的无监督域适应图像分类方法，其特征在于：所述S2任务网络生成过程中，生成图像的身份信息与原图像维持一致；

所述任务网络S2，对应Is的输出为Ts，对应It的输出为Tt，对应Is‑t的输出为Ts_t，对应It‑s的输出为Tt_s，由此产生的任务和循环一致性损失，如下所示：

8.根据权利要求1所述的基于双向生成及中间域对齐的无监督域适应图像分类方法，其特征在于：在所述S3中，目标与图像与伪目标域图像的分布尽可能接近，任务网络中首次加入协方差对齐损失，定义形式如下：其中，CS为源域图像中心化后的协方差矩阵，CT_S为生成的伪源域图像中心化后的协方差矩阵，CT为目标域图像中心化后的协方差矩阵，CS_T为生成的伪目标域图像中心化后的协方差矩阵，d为图像通道维度；

利用任务网络所提供的以上监督指导信息，生成网络不断训练迭代，最终生成符合期待的伪源域图像，将伪源域图像作为中间域图像，替代传统深度域适应网络中的目标域图像，经分类网络的再次对齐，得到目标域最终分类结果。

9.根据权利要求1所述的基于双向生成及中间域对齐的无监督域适应图像分类方法，其特征在于：在将源域图像与伪源域图像，同时输入到S3分类网络中，分类网络中的对齐损失定义如下：

其中，XS和XZ分别服从分布P(XS)和分布P(Xz)，当P(XS)＝P(XZ)时，Mk(XS,Xz)＝0，ns为源域样本数量，nz为伪源域样本数量，XZ为伪源域样本；

用于将原变量映射到具有再生性H＝K(x,y)的再生核希尔伯特空间中。