1.基于自优化融合反馈的显著目标识别方法，其特征在于，包括以下步骤：S1：获取待识别目标的图像数据；

S2：将待识别目标的图像数据输入构建的目标识别模型中；

目标识别模型基于图像数据提取多层次的特征信息，并对特征信息进行整合优化，得到包含多尺度感受野信息的优化特征图；然后对最高层特征信息进行全局特征优化，生成对应的全局特征图；最后进行最高层优化特征图到最低层优化特征图的渐进式融合，并加入全局特征图参与特征融合，以生成对应的显著图；

S3：基于目标识别模型输出的显著图完成显著目标识别。

2.如权利要求1所述的基于自优化融合反馈的显著目标识别方法，其特征在于，目标识别模型包括：

自优化模块，用于对特征信息进行整合优化，以在特征信息中生成对应的维度信息和尺度特征信息，进而映射得到并输出包含多尺度感受野信息的优化特征图；

全局优化模块，用于对最高层特征信息进行全局特征优化，以生成并输出全局特征图；

特征融合模块，用于实现相邻层优化特征图的特征融合，并能够加入全局特征图参与特征融合，以生成并输出对应的融合特征图；

通过多个特征融合模块的依次串联，能够实现最高层优化特征图到最低层优化特征图的渐进式融合，将最后一个特征融合模块输出的融合特征图作为对应的显著图；

反馈模块，用于获取反馈信息来参与最高层优化特征图到最低层优化特征图的渐进式融合，以辅助生成对应的显著图。

3.如权利要求2所述的基于自优化融合反馈的显著目标识别方法，其特征在于，目标识别模型包括两个特征融合的阶段；

第一阶段：通过自优化模块对各个层次的特征信息进行整合优化，得到对应的优化特征图；然后通过全局优化模块对最高层特征信息进行全局特征优化，生成全局特征图；最后通过串联的特征融合模块进行最高层优化特征图到最低层优化特征图的渐进式融合，并加入全局特征图参与特征融合，生成第一阶段显著图；

第二阶段：通过反馈模块将第一阶段显著图作为反馈信息，然后通过串联的特征融合模块进行最高层优化特征图到最低层优化特征图的渐进式融合，并加入全局特征图和第一阶段显著图参与特征融合，生成用于实现显著目标识别的最终的显著图。

4.如权利要求3所述的基于自优化融合反馈的显著目标识别方法，其特征在于：自优化模块首先通过卷积核从特征信息中获取横向和纵向的特征，然后通过多个不同膨胀率的膨胀卷积获取并输出不同感受野下图像特征信息的特征图，最后将多个膨胀卷积输出的特征图进行拼接和融合得到对应的优化特征图。

5.如权利要求4所述的基于自优化融合反馈的显著目标识别方法，其特征在于，自优化模块通过如下公式生成优化特征图：T0＝Convd3(Conv1(pin))；

T1＝Convd3(Conv3(Conv1(pin)))；

T2＝Convd3(Conv3(Conv3(Conv1(pin))))；

T3＝Convd3(Conv7*1(Conv1*7(Conv1(pin))))；

pout＝Conv1(Cat(T0,T1,T2,T3)+Conv1(pin))；

上述式中：pout表示生成的优化特征图，pin表示输入自优化模块的特征信息，Convj表示j*j的卷积以及对应的Batch Normalization和Relu激活操作，Convm*n表示m*n的卷积以及对应的Batch Normalization和Relu激活操作，Convds表示s*s的膨胀卷积操作，+表示像素级别相加。

6.如权利要求2所述的基于自优化融合反馈的显著目标识别方法，其特征在于：第一阶段和第二阶段中的特征融合模块分别对应，并且相对应的两个特征融合模块输入的优化特征图的层次对应；

第一阶段的特征融合模块生成融合特征图时，还能够生成用于更新第二阶段中对应特征融合模块输入的新优化特征图。

7.如权利要求6所述的基于自优化融合反馈的显著目标识别方法，其特征在于，特征融合模块通过如下步骤实现特征融合：相邻层的两个优化特征图中，高层次的定义为高层特征图，低层次的定义为低层特征图；

S201：将高层特征图和低层特征图采样成相同分辨率的特征图，并对两个特征图进行相乘融合得到对应的初步融合图；

S202：将初步融合图分别采样至高层特征图和低层特征图对应的分辨率；

S203：将全局特征图分别采样至高层特征图和低层特征图对应的分辨率；

S204：基于初步融合图，加入全局特征信息进行降采样得到高层融合特征图，即融合特征图；

S205：基于初步融合图，加入全局特征信息进行上采样得到低层融合特征图，即新优化特征图。

8.如权利要求7所述的基于自优化融合反馈的显著目标识别方法，其特征在于：基于第一阶段的特征融合模块输出的新优化特征图更新第二阶段中对应特征融合模块输入的低层次的优化特征图。

9.如权利要求7所述的基于自优化融合反馈的显著目标识别方法，其特征在于：特征融合模块通过如下公式生成高层融合特征图和低层融合特征图：p′h＝Conv(Conv(Conv(ph))*Conv(Conv(pl))+Conv(ph)+Conv(pg))；

p′l＝Conv(Conv(Conv(ph))*Conv(Conv(pl))+Conv(pl)+Conv(pg))；

上述式中：ph、pl、pg分别表示输入特征融合模块的高层特征图、低层特征图和全局特征图，p′h表示高层融合特征图，p′l表示低层融合特征图，Conv表示执行卷积、Batch Normalization和Relu激活操作，*表示像素级别相乘，+表示像素级别相加。

10.如权利要求7所述的基于自优化融合反馈的显著目标识别方法，其特征在于，通过加权损失函数训练目标识别模型；加权损失函数通过如下公式表示：上述式中：Ltotal表示总的损失函数， 表示加权二元交叉熵函数， 表示加权IOU损失函数，e是自然常数。