1.一种基于CNN和签密技术的密态图像检索方法，其特征是，包括如下步骤：

数据拥有客户端获取用户客户端发送的注册请求后，生成对称密钥、用户私钥和签密参数，将对称密钥分为对称密钥第一部分和对称密钥第二部分；并针对每个图像集图像，采用图像加密算法生成每个图像集图像的混淆矩阵和混淆图像矩阵，同时基于对称密钥对每个图像集图像进行加密得到图像集图像的密态图像；

用户客户端获取待查询图像，采用图像加密算法生成待查询图像的混淆矩阵和混淆图像矩阵；

两个云服务器基于待查询图像的混淆矩阵和混淆图像矩阵、以及所有图像集图像的混淆矩阵和混淆图像矩阵，在所有的图像集图像中检索得到待查询图像的匹配图像，并采用签密参数对对称密钥第一部分和匹配图像进行签密，将匹配图像的密态图像和签密后的对称密钥第一部分发送给用户客户端；

用户客户端采用用户私钥解签密后，结合对称密钥第二部分对匹配图像的密态图像进行解密；

所述在所有的图像集图像中检索得到待查询图像的匹配图像的具体步骤为：两个云服务器基于待查询图像的混淆矩阵、待查询图像的混淆图像矩阵、所有图像集图像的混淆矩阵和所有图像集图像的混淆图像矩阵，采用CNN对待查询图像和所有图像集图像分别进行特征提取，得到特征向量；所述特征提取具体包括卷积层操作、激活层操作、池化层操作和全连接操作；两个云服务器基于提取的特征向量，两两比较待查询图像与图像集图像的相似度，得到待查询图像的匹配图像；

所述卷积层操作的具体步骤为：滑动选取图像中的局部像素点矩阵；第一云服务器选择一个安全盲化参数，基于安全盲化参数和局部像素点矩阵对应位置的混淆矩阵构造四个参数矩阵，并发送给第二云服务器；同时生成盲化矩阵；第二云服务器将局部像素点矩阵对应位置的混淆图像矩阵依次与四个参数矩阵进行哈达玛运算，得到中间矩阵，并使用卷积核对中间矩阵进行卷积操作，得到局部像素点矩阵的输出值；

所述池化层操作的具体步骤为：①第二云服务器将所述激活层的输出作为池化层的输入，并将输入矩阵划分为多个局部特征矩阵；②第二云服务器在每一个局部特征矩阵中选择一个要比较的数值；③第二云服务器在每一个局部特征矩阵中选择一个还未被选择过的数值作为另一个要比较的数值，并向第一云服务器发送这两个要比较的数值在输入矩阵中的坐标；④第一云服务器生成一个安全盲化参数，计算该安全盲化参数与所述盲化矩阵中两个坐标上的数值的比值，并将该比值发送至第二云服务器；⑤第二云服务器基于比值，计算得到两个要比较的数值的大小关系，得到较大值；⑥将所述较大值作为一个要比较的数值，重复步骤③‑⑤，直到得到每一个局部特征矩阵中所有数值被选择，得到每一个局部特征矩阵中的最大值，组成最大特征矩阵；

所述全连接操作的具体步骤为：(a)第一云服务器生成一个空的第一一维向量，同时生成一个新的混淆矩阵，并将该新的混淆矩阵拉伸为第三一维向量；(b)第二云服务器生成一个空的第二一维向量，并将最大特征矩阵拉伸为第四一维向量；(c)第一云服务器生成安全参数，并基于安全参数和第三一维向量计算得到第五一维向量，并发送给第二云服务器，同时将安全参数插入第一一维向量的最末端；(d)第二云服务器将第五一维向量与第四一维向量进行哈达玛运算，得到第六一维向量；(e)第二云服务器选取一个未被选取的权值向量，将第六一维向量与该选取的权值向量点乘操作，将结果插入第二一维向量的最末端；

(f)重复步骤(c)‑(e)，直到所有权值向量被选取，第一云服务器得到一个第一一维向量，第二云服务器得到一个第二一维向量，第一一维向量和第二一维向量组成特征向量；

所述两两比较待查询图像与图像集图像的相似度的具体步骤为：第二云服务器将需要比较的两个图像集图像的特征向量的坐标发送给第一云服务器；第一云服务器选择安全参数，分别计算待查询图像和两个图像集图像下，安全参数与所述第一一维向量中对应坐标位置的数值的比值，得到待比值向量，并发送至第二云服务器；第二云服务器基于所述比值向量和第二一维向量，比较两个图像集图像与待查询图像的相似度。

2.如权利要求1所述的一种基于CNN和签密技术的密态图像检索方法，其特征是，所述图像加密算法的具体步骤为：

获取输入图像，生成一个与输入图像具有相同尺寸的混淆矩阵；

计算输入图像和混淆矩阵的哈达玛积，得到混淆图像矩阵。

3.如权利要求1所述的一种基于CNN和签密技术的密态图像检索方法，其特征是，所述激活层操作的具体步骤为：

第二云服务器将所述卷积层的输出作为激活层的输入；若输入值大于0，则激活层的输出值为输入值；否则，激活层的输出值为0。

4.一种基于CNN和签密技术的密态图像检索系统，其特征是，包括：

数据拥有客户端，其被配置为：获取用户客户端发送的注册请求后，生成对称密钥、用户私钥和签密参数，将对称密钥分为对称密钥第一部分和对称密钥第二部分；并针对每个图像集图像，采用图像加密算法生成每个图像集图像的混淆矩阵和混淆图像矩阵，同时基于对称密钥对每个图像集图像进行加密得到图像集图像的密态图像；

用户客户端，其被配置为：获取待查询图像，采用图像加密算法生成待查询图像的混淆矩阵和混淆图像矩阵；

两个云服务器，其被配置为：基于待查询图像的混淆矩阵和混淆图像矩阵、以及所有图像集图像的混淆矩阵和混淆图像矩阵，在所有的图像集图像中检索得到待查询图像的匹配图像，并采用签密参数对对称密钥第一部分和匹配图像进行签密，将匹配图像的密态图像和签密后的对称密钥第一部分发送给用户客户端；

用户客户端，其被配置为：采用用户私钥解签密后，结合对称密钥第二部分对匹配图像的密态图像进行解密；

所述在所有的图像集图像中检索得到待查询图像的匹配图像的具体步骤为：两个云服务器基于待查询图像的混淆矩阵、待查询图像的混淆图像矩阵、所有图像集图像的混淆矩阵和所有图像集图像的混淆图像矩阵，采用CNN对待查询图像和所有图像集图像分别进行特征提取，得到特征向量；所述特征提取具体包括卷积层操作、激活层操作、池化层操作和全连接操作；两个云服务器基于提取的特征向量，两两比较待查询图像与图像集图像的相似度，得到待查询图像的匹配图像；

所述卷积层操作的具体步骤为：滑动选取图像中的局部像素点矩阵；第一云服务器选择一个安全盲化参数，基于安全盲化参数和局部像素点矩阵对应位置的混淆矩阵构造四个参数矩阵，并发送给第二云服务器；同时生成盲化矩阵；第二云服务器将局部像素点矩阵对应位置的混淆图像矩阵依次与四个参数矩阵进行哈达玛运算，得到中间矩阵，并使用卷积核对中间矩阵进行卷积操作，得到局部像素点矩阵的输出值；

所述池化层操作的具体步骤为：①第二云服务器将所述激活层的输出作为池化层的输入，并将输入矩阵划分为多个局部特征矩阵；②第二云服务器在每一个局部特征矩阵中选择一个要比较的数值；③第二云服务器在每一个局部特征矩阵中选择一个还未被选择过的数值作为另一个要比较的数值，并向第一云服务器发送这两个要比较的数值在输入矩阵中的坐标；④第一云服务器生成一个安全盲化参数，计算该安全盲化参数与所述盲化矩阵中两个坐标上的数值的比值，并将该比值发送至第二云服务器；⑤第二云服务器基于比值，计算得到两个要比较的数值的大小关系，得到较大值；⑥将所述较大值作为一个要比较的数值，重复步骤③‑⑤，直到得到每一个局部特征矩阵中所有数值被选择，得到每一个局部特征矩阵中的最大值，组成最大特征矩阵；

所述全连接操作的具体步骤为：(a)第一云服务器生成一个空的第一一维向量，同时生成一个新的混淆矩阵，并将该新的混淆矩阵拉伸为第三一维向量；(b)第二云服务器生成一个空的第二一维向量，并将最大特征矩阵拉伸为第四一维向量；(c)第一云服务器生成安全参数，并基于安全参数和第三一维向量计算得到第五一维向量，并发送给第二云服务器，同时将安全参数插入第一一维向量的最末端；(d)第二云服务器将第五一维向量与第四一维向量进行哈达玛运算，得到第六一维向量；(e)第二云服务器选取一个未被选取的权值向量，将第六一维向量与该选取的权值向量点乘操作，将结果插入第二一维向量的最末端；

(f)重复步骤(c)‑(e)，直到所有权值向量被选取，第一云服务器得到一个第一一维向量，第二云服务器得到一个第二一维向量，第一一维向量和第二一维向量组成特征向量；

所述两两比较待查询图像与图像集图像的相似度的具体步骤为：第二云服务器将需要比较的两个图像集图像的特征向量的坐标发送给第一云服务器；第一云服务器选择安全参数，分别计算待查询图像和两个图像集图像下，安全参数与所述第一一维向量中对应坐标位置的数值的比值，得到待比值向量，并发送至第二云服务器；第二云服务器基于所述比值向量和第二一维向量，比较两个图像集图像与待查询图像的相似度。