1.基于特征和标签空间动态对齐的域适应图像分类方法，其特征在于，利用对抗无监督域适应模型对目标域图像进行图像分类，所述对抗无监督域适应模型包括一个特征提取器、一个判别器及三个分类器，所述图像分类方法包括如下步骤：(1)将源域图像和目标域图像输入到对抗无监督域适应模型，利用特征提取器提取源域图像和目标域图像的高维特征，利用源域图像及对应标签训练分类器；

(2)对源域和目标域高维特征的特征空间进行子域对齐，通过标签空间进行域对齐；

(3)将域对齐之后的源域和目标域高维特征输入到判别器，通过判别器对输入图像进行域判别；

(4)将判别之后的图像输入分类器，度量源域和目标域之间的子域分布距离，动态调整域适应与域判别之间的关系权重，实现对目标域样本的分类；

步骤(4)中动态调整域适应与域判别之间的关系权重的步骤包括：构建动态平衡因子，平衡网络的生成能力和判别能力，判别能力的表达式为：式中，W为源域和目标域特征，Sb为类间散度矩阵，Sw为类内散度矩阵，h(W)代表域判别能力，h(W)值越大，代表域判别能力越强；tr(.)表示矩阵的迹；

对对抗无监督域适应模型的域判别能力和域对齐能力进行归一化处理，表达式分别为：利用归一化后的域判别能力和域对齐能力计算权重系数，表达式为：所述图像分类方法在进行判别时还包括子域判别，由此产生的子域判别损失表达式为：式中M表示分类器个数；

最终，利用权重系数建立对目标域样本分类的目标函数，表达式为：其中，γ1,γ2,γ3,γ4为各部分损失对应超参数，LMI＝LMI1+LMI2，网络经过总体目标函数约束，不断迭代，最终达到对目标域样本分类的目的。

2.根据权利要求1所述的图像分类方法，其特征在于，步骤(1)中利用源域图像及对应标签训练分类器的步骤包括：首先假定在无监督域适应中，(xs,ys)为源域有标签样本，xt为目标域无标签样本，且源域样本集合 目标域样本集合 ns为源域样本数量，nt为目标域样本数量，xs服从源域样本分布P(xs)，xt服从目标域样本分布P(xt)，并且P(xs)≠P(xt)；

然后利用源域有监督数据对分类器进行初始化，利用交叉熵损失使分类器对源域样本进行分类，由分类器产生的分类损失Lcl表达式为：式中，Cm(.)代表第m个分类器的输出结果，J(.)为交叉熵函数，M代表分类器个数，M＝3，为第i个源域样本， 为第i个源域样本的真实标签。

3.根据权利要求2所述的图像分类方法，其特征在于，步骤(2)中对源域和目标域高维特征的特征空间进行子域对齐步骤包括：利用子域分布对齐方法对源域和目标域之间的子域分布距离进行对齐，产生的特征空间对齐损失表达式为：式中，K代表源域和目标域所含的类别个数， 和 分别代表 和 属于第k类的权重，其中，权重的计算方式分别如下：Φ(.)的作用是将原变量映射到再生核希尔伯特空间中，对上式具体展开如下所示：其中，r(xs,xt)＝＜Φ(xs),Φ(xt)＞，＜.,.＞表示向量内积。

4.根据权利要求3所述的图像分类方法，其特征在于，步骤(2)中对高维特征通过标签空间进行域对齐步骤包括：将源域和目标域的标签空间信息最大化，信息最大化损失表达式为：其中qk(.)代表第k个维度的值， 代表第k类目标域样本的平均输出。

5.根据权利要求4所述的图像分类方法，其特征在于，步骤(3)中通过判别器对输入图像进行域判别时产生的域判别损失表达式为：其中G(xs)表示经过G的源域样本，G(xt)表示经过G的目标域样本。