1.一种基于半监督关系度量网络的图像识别方法，其特征在于，方法包括：对图像数据集中的所有有标签数据和无标签数据进行数据扩充，得到扩充后的图像数据集；

将扩充后的图像数据集中的有标签数据进行聚类操作，得到每个类别的类别原子图像数据；

将扩充后的图像数据集进行随机加噪处理，将加噪后的图像数据集和类别原子图像数据输入到半监督关系度量网络模型，以得到有标签数据和无标签数据的不同类别模板对比得分；

根据不同类别模板对比得分计算交叉熵损失和均方差损失；

根据交叉熵损失和均方差损失进行训练，得到训练好的半监督关系度量网络模型；

通过训练好的半监督关系度量网络模型对待识别图像进行识别，以确定待识别图像的所属类别；

将扩充后的图像数据集进行随机加噪处理，将加噪后的图像数据集和类别原子图像数据输入到半监督关系度量网络模型，以得到有标签数据和无标签数据的不同类别模板对比得分，包括：

将扩充后的图像数据集进行随机加噪处理，将加噪后的图像数据集和类别原子图像数据输入到半监督关系度量网络模型的特征提取网络，以得到有标签数据的特征向量、无标签数据的特征向量和类别原子向量；

将有标签数据的特征向量、无标签数据的特征向量和类别原子向量整合后输入到半监督关系度量网络模型的对比网络中，得到有标签数据和无标签数据的不同类别模板对比得分，并且加权记录全部数据的对比得分；

根据不同类别模板对比得分计算交叉熵损失和均方差损失，包括：利用有标签数据的对比得分，确定其得分最大值所对应的类别为第一目标预测类别；

计算第一目标预测类别与真实标签类别之间的交叉熵损失,其中，yi表示真实标签类别，ci表示第一目标预测类别；

利用全部数据的对比得分和历史加权对比得分，确定其得分最大值所对应类别为第二目标预测类别；

计算第二目标预测类别的全部数据的对比得分与历史加权对应的预测类别的历史加权对比得分之间的均方差损失 ,其中ω(·)表示坡度函数，t表示全局迭代次数，zi表示第二目标预测类别的全部数据的对比得分，表示历史加权对应的预测类别的历史加权对比得分。

2.根据权利要求1所述的方法，其特征在于，对图像数据集中的所有有标签数据和无标签数据进行数据扩充，得到扩充后的图像数据集，包括：将图像数据集中的所有有标签数据和无标签数据进行尺寸变换，变换为预设尺寸；

利用随机数据增强技术对所有有标签数据和无标签数据进行数据扩充，得到扩充后的图像数据集。

3.根据权利要求1所述的方法，其特征在于，根据交叉熵损失和均方差损失进行训练，得到训练好的半监督关系度量网络模型，包括：将交叉熵损失和均方差损失进行加权求和，得到总损失；

利用总损失进行训练，直到训练轮次达到设定值；

将总损失最小时的半监督关系度量网络模型确定为训练好的半监督关系度量网络模型。

4.一种基于半监督关系度量网络的图像识别装置，其特征在于，装置包括：扩充模块，用于对图像数据集中的所有有标签数据和无标签数据进行数据扩充，得到扩充后的图像数据集；

聚类模块，用于将扩充后的图像数据集中的有标签数据进行聚类操作，得到每个类别的类别原子图像数据；

对比模块，用于将扩充后的图像数据集进行随机加噪处理，将加噪后的图像数据集和类别原子图像数据输入到半监督关系度量网络模型，以得到有标签数据和无标签数据的不同类别模板对比得分；

计算模块，用于根据不同类别模板对比得分计算交叉熵损失和均方差损失；

训练模块，用于根据交叉熵损失和均方差损失进行训练，得到训练好的半监督关系度量网络模型；

识别模块，用于通过训练好的半监督关系度量网络模型对待识别图像进行识别，以确定待识别图像的所属类别；

所述对比模块包括：

特征提取单元，用于将扩充后的图像数据集进行随机加噪处理，将加噪后的图像数据集和类别原子图像数据输入到半监督关系度量网络模型的特征提取网络，以得到有标签数据的特征向量、无标签数据的特征向量和类别原子向量；

得分计算单元，用于将有标签数据的特征向量、无标签数据的特征向量和类别原子向量整合后输入到半监督关系度量网络模型的对比网络中，得到有标签数据和无标签数据的不同类别模板对比得分，并且加权记录全部数据的对比得分；

所述计算模块包括：

第一确定单元，用于利用有标签数据的对比得分，确定其得分最大值所对应的类别为第一目标预测类别；

第一计算单元，用于计算第一目标预测类别与真实标签类别之间的交叉熵损失,其中，yi表示真实标签类别，ci表示第一目标预测类别；

第二确定单元，用于利用全部数据的对比得分和历史加权对比得分，确定其得分最大值所对应类别为第二目标预测类别；

第二计算单元，用于计算第二目标预测类别与历史加权对应的预测类别之间的均方差损失 ,其中ω(·)表示坡度函数，t表示全局迭代次数，zi表示第二目标预测类别的全部数据的对比得分，表示历史加权对应的预测类别的历史加权对比得分。

5.根据权利要求4所述的装置，其特征在于，扩充模块包括：处理单元，用于将图像数据集中的所有有标签数据和无标签数据进行尺寸变换，变换为预设尺寸；

扩充单元，用于利用随机数据增强技术对所有有标签数据和无标签数据进行数据扩充，得到扩充后的图像数据集。

6.根据权利要求4所述的装置，其特征在于，训练模块包括：第三计算单元，用于将交叉熵损失和均方差损失进行加权求和，得到总损失；

训练单元，用于利用总损失进行训练，直到训练轮次达到设定值；

模型确定单元，用于将总损失最小时的半监督关系度量网络模型确定为训练好的半监督关系度量网络模型。