1.一种特征提取网络的训练方法，其中，所述特征提取网络包括第一提取子网络和第二提取子网络；所述方法包括：将第一样本图像输入所述第一提取子网络，得到所述第一样本图像的特征图；其中，所述第一样本图像具有指示所述第一样本图像来自多个数据域的实际概率的第一标签；

将所述特征图输入所述第二提取子网络，得到所述第一样本图像的第一域不变特征；

分别基于所述特征图和所述第一域不变特征，采用预定域分类器得到所述第一样本图像来自所述多个数据域的第一概率和第二概率；

基于所述第一概率、所述实际概率和针对所述实际概率的第一预定权重，对所述第一提取子网络进行训练；以及

基于所述第二概率、所述实际概率和针对所述实际概率的第二预定权重，对所述第二提取子网络进行训练，

其中，所述第一预定权重大于所述第二预定权重。

2.根据权利要求1所述的方法，其中，所述特征提取网络还包括第一归一化子网络和第二归一化子网络；采用预定域分类器得到所述第一样本图像来自所述多个数据域的第一概率和第二概率包括：

将所述特征图输入所述第一归一化子网络，得到第一标准特征；

将所述第一域不变特征输入所述第二归一化子网络，得到第二标准特征；以及将所述第一标准特征和所述第二标准特征分别输入所述预定域分类器，分别得到所述第一概率和所述第二概率。

3.根据权利要求1所述的方法，其中，所述第一样本图像为多个，多个第一样本图像包括：具有真实类别的目标对象的第一样本和具有非真实类别的目标对象的第二样本。

4.根据权利要求3所述的方法，其中，所述第二样本包括来自所述多个数据域中至少两个数据域的多个样本；所述方法还包括：确定来自相同数据域的两个第二样本各自的第一域不变特征，得到两个第一目标特征；以及

基于所述两个第一目标特征之间的第一距离，采用预定损失函数对所述特征提取网络进行训练，

其中，所述预定损失函数与所述第一距离彼此正相关。

5.根据权利要求3或4所述的方法，其中，所述第一样本为多个，所述方法还包括：确定多个第一样本中任意两个第一样本各自的第一域不变特征，得到两个第二目标特征；以及

基于所述两个第二目标特征之间的第二距离，采用预定损失函数对所述特征提取网络进行训练，

其中，所述预定损失函数与所述第二距离彼此正相关。

6.根据权利要求3～5中任一项所述的方法，还包括：基于所述第一样本的第一域不变特征与所述第二样本的第一域不变特征之间的第三距离，采用预定损失函数对所述特征提取网络进行训练，其中，所述预定损失函数与所述第三距离彼此负相关。

7.根据权利要求4所述的方法，还包括：确定来自不同数据域的两个第二样本各自的第一域不变特征，得到两个第三目标特征；以及

基于所述两个第三目标特征之间的第四距离，采用所述预定损失函数对所述特征提取网络进行训练，

其中，所述预定损失函数与所述第四距离彼此负相关。

8.根据权利要求7中所述的方法，其中，所述预定损失函数采用以下公式表示：其中， 分别表示两个第一样本的第一域不变特征或属于相同数据域的两个第二样本的第一域不变特征； 分别表示第一样本的第一域不变特征和第二样本的第一域不变特征，或属于不同数据域的两个第二样本的第一域不变特征，m为大于0的预定边界值。

9.根据权利要求3所述的方法，其中：对所述第一提取子网络进行训练包括：在所述第一概率是基于所述第一样本获得的情况下，对所述第一提取子网络进行训练；或者对所述第二提取子网络进行训练包括：在所述第二概率是基于所述第一样本获得的情况下，对所述第二提取子网络进行训练。

10.一种活体检测模型的训练方法，其中，所述活体检测模型包括特征提取网络和分类网络；所述方法包括：

将第二样本图像输入所述特征提取网络，得到所述第二样本图像的第二域不变特征；

其中，所述第二样本图像包括目标对象，且所述第二样本图像具有指示所述目标对象的实际类别的第二标签；

将所述第二域不变特征输入所述分类网络，得到所述第二样本图像中目标对象的预测类别；以及

基于所述实际类别和所述预测类别，对所述活体检测模型进行训练，其中，所述特征提取网络是采用权利要求1～9中任一项所述的方法训练得到的；所述实际类别包括真实类别或非真实类别。

11.一种活体检测方法，包括：将待检测图像输入活体检测模型包括的特征提取网络，得到所述待检测图像的第三域不变特征；以及

将所述第三域不变特征输入所述活体检测模型包括的分类网络，得到所述待检测图像中目标对象的类别，

其中，所述活体检测模型是采用权利要求10所述的方法训练得到的。

12.一种特征提取网络的训练装置，其中，所述特征提取网络包括第一提取子网络和第二提取子网络；所述装置包括：第一特征提取模块，用于将第一样本图像输入所述第一提取子网络，得到所述第一样本图像的特征图；其中，所述第一样本图像具有指示所述第一样本图像来自多个数据域的实际概率的第一标签；

第二特征提取模块，用于将所述特征图输入所述第二提取子网络，得到所述第一样本图像的第一域不变特征；

概率获得模块，用于分别基于所述特征图和所述第一域不变特征，采用预定域分类器得到所述第一样本图像来自所述多个数据域的第一概率和第二概率；

第一训练模块，用于基于所述第一概率、所述实际概率和针对所述实际概率的第一预定权重，对所述第一提取子网络进行训练；以及第二训练模块，用于基于所述第二概率、所述实际概率和针对所述实际概率的第二预定权重，对所述第二提取子网络进行训练，其中，所述第一预定权重大于所述第二预定权重。

13.根据权利要求12所述的装置，其中，所述特征提取网络还包括第一归一化子网络和第二归一化子网络；所述概率获得模块包括：第一特征获得子模块，用于将所述特征图输入所述第一归一化子网络，得到第一标准特征；

第二特征获得子模块，用于将所述第一域不变特征输入所述第二归一化子网络，得到第二标准特征；以及

概率获得子模块，用于将所述第一标准特征和所述第二标准特征分别输入所述预定域分类器，分别得到所述第一概率和所述第二概率。

14.根据权利要求12所述的装置，其中，所述第一样本图像为多个，多个第一样本图像包括：具有真实类别的目标对象的第一样本和具有非真实类别的目标对象的第二样本。

15.根据权利要求14所述的装置，其中，所述第二样本包括来自所述多个数据域中至少两个数据域的多个样本；所述装置还包括：第一特征确定模块，用于确定来自相同数据域的两个第二样本各自的第一域不变特征，得到两个第一目标特征；以及第一特征确定模块，用于基于所述两个第一目标特征之间的第一距离，采用预定损失函数对所述特征提取网络进行训练，其中，所述预定损失函数与所述第一距离彼此正相关。

16.根据权利要求14或15所述的装置，其中，所述第一样本为多个，所述装置还包括：第二特征确定模块，用于确定多个第一样本中任意两个第一样本各自的第一域不变特征，得到两个第二目标特征；以及第四训练模块，用于基于所述两个第二目标特征之间的第二距离，采用预定损失函数对所述特征提取网络进行训练，其中，所述预定损失函数与所述第二距离彼此正相关。

17.根据权利要求14～16中任一项所述的装置，还包括：第五训练模块，用于基于所述第一样本的第一域不变特征与所述第二样本的第一域不变特征之间的第三距离，采用预定损失函数对所述特征提取网络进行训练，其中，所述预定损失函数与所述第三距离彼此负相关。

18.根据权利要求15所述的装置，还包括：第三特征确定模块，用于确定来自不同数据域的两个第二样本各自的第一域不变特征，得到两个第三目标特征；以及第六训练模块，用于基于所述两个第三目标特征之间的第四距离，采用所述预定损失函数对所述特征提取网络进行训练，其中，所述预定损失函数与所述第四距离彼此负相关。

19.根据权利要求18所述的装置，其中，所述预定损失函数采用以下公式表示：其中， 分别表示两个第一样本的第一域不变特征或属于相同数据域的两个第二样本的第一域不变特征； 分别表示第一样本的第一域不变特征和第二样本的第一域不变特征，或属于不同数据域的两个第二样本的第一域不变特征，M为大于0的预定边界值。

20.根据权利要求14所述的装置，其中：所述第一训练模块用于：在所述第一概率是基于所述第一样本获得的情况下，对所述第一提取子网络进行训练；或者所述第二训练模块用于：在所述第二概率是基于所述第一样本获得的情况下，对所述第二提取子网络进行训练。

21.一种活体检测模型的训练装置，其中，所述活体检测模型包括特征提取网络和分类网络；所述装置包括：

第三特征提取模块，用于将第二样本图像输入所述特征提取网络，得到所述第二样本图像的第二域不变特征；其中，所述第二样本图像包括目标对象，且所述第二样本图像具有指示所述目标对象的实际类别的第二标签；

第一类别获得模块，用于将所述第二域不变特征输入所述分类网络，得到所述第二样本图像中目标对象的预测类别；以及第七训练模块，用于基于所述实际类别和所述预测类别，对所述活体检测模型进行训练，

其中，所述特征提取网络是采用权利要求12～20中任一项所述的装置训练得到的；所述实际类别包括真实类别或非真实类别。

22.一种活体检测装置，包括：第四特征提取模块，用于将待检测图像输入活体检测模型包括的特征提取网络，得到所述待检测图像的第三域不变特征；以及第二类别获得模块，用于将所述第三域不变特征输入所述活体检测模型包括的分类网络，得到所述待检测图像中目标对象的类别，其中，所述活体检测模型是采用权利要求21所述的装置训练得到的。

23.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1～11中任一项所述的方法。

24.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1～11中任一项所述的方法。

25.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1～11中任一项所述的方法。