1.一种基于流形学习的无监督预适应图像分类方法，其特征在于：按如下步骤S1‑步骤S7，获得图像分类模型，然后应用图像分类模型，完成待分类图像的分类；

S1.基于预设光照强度、分辨率、背景颜色，分别采集预设各类物品图像作为各个源域图像样本，各源域图像样本构成源域图像样本集，并基于其他光照强度、分辨率、背景颜色，采集相对应各物品图像作为目标域图像样本，各目标域图像样本构成目标域图像样本集，并根据各类物品的种类，按预设映射规则，定义各类物品的源域图像样本、目标域图像样本所对应预设各分类中的相应类别，且各相同类物品的源域图像样本、目标域图像样本所对应类别彼此相同；

S2.基于ResNet‑50网络，以图像样本为输入，以图像样本的高维特征向量为输出，构建特征提取网络；

S3.基于流形学习网络，以图像样本的高维特征向量为输入，以图像样本的高阶统计信息为输出，构建特征向量降维网络；

S4.基于高阶信息匹配网络，以图像样本的高阶统计信息为输入，图像样本所对应的图像类别为输出，构建分类器网络；

S5.基于特征提取网络、特征向量降维网络、分类器网络，串联构建图像分类待训练模型，同时基于源域图像样本集与目标域图像样本集的参与训练，以特征向量降维网络的输出，构建源域图像样本的判别性损失模型Ldis、目标域图像样本的聚类损失模型Lcluster、流形一致性损失模型Lcons，以及以分类器网络的输出，构建高阶张量匹配损失模型Lhom；

S6.基于源域图像样本的判别性损失模型Ldis、目标域图像样本的聚类损失模型Lcluster、流形一致性损失模型Lcons、高阶张量匹配损失模型Lhom，通过引入交叉熵损失Lce，获得最终损失模型L；

S7.基于源域图像样本集与目标域图像样本集中各样本图像，以及各样本图像分别对应预设各分类中的相应类别，以图像样本为输入，图像样本所对应的相应类别为输出，结合最终损失模型L，针对图像分类待训练模型进行训练，获得图像分类模型。

2.如权利要求1所述的基于流形学习的无监督预适应图像分类方法，其特征在于，所述步骤S5中源域图像样本的判别性损失模型Ldis、目标域图像样本的聚类损失模型Lcluster、流形一致性损失模型Lcons的构建包括以下步骤：s

S51:基于每个源域图像样本在每层流形学习网络上的高维特征向量fi ，通过源域判别性结构学习，获得源域图像样本的判别性损失模型Ldis如下式：式中，k为流形层的数量，l为每个流形层的层数，i，j为遍历的下标， 为第l层流形层中源域图像样本中第i个类别和第j个类别之间的相似性，源域图像样本和目标域图像样本的类别数量皆为nc；

S52:基于源域图像样本的中心矩阵 和目标域图像样本的特征矩阵 通过目标域判别性学习，获得目标域图像样本的聚类损失模型Lcluster如下式：式中，将目标域图像样本的软标签的分量按其值由大至小排列，保留前m个分量，其他分量置为0， 为保留分量后中第j个目标域图像样本的软标签的第i个分量， 为第l层流形层中目标域图像样本中第i个类别和第j个类别之间的相似性，nt为目标域图像样本的数量；

S53:基于源域图像样本在第l层流形层上通过源域特征计算得出的协方差矩阵 目标域图像样本在第l层流形层上通过目标域特征计算得出的协方差矩阵 通过流形一致性结构学习，获得流形一致性损失模型Lcons如下式：式中， 为第l层流形层的维度， 为第l层流形层中源域图像样本的正交投影矩阵，为矩阵 的转置矩阵， 为第l层流形层中目标域图像样本的正交投影矩阵， 为矩阵 的转置矩阵。

3.如权利要求1所述的基于流形学习的无监督预适应图像分类方法，其特征在于，所述步骤S5中，构建高阶张量匹配损失模型Lhom如下式：式中， 表示张量积， 为第l层全连接层中第i个源域图像样本特征的三阶张量积，为第l层全连接层中第j个目标域图像样本特征的三阶张量积，ns为源域图像样本的数量，nt为目标域图像样本的数量。

4.如权利要求1所述的基于流形学习的无监督预适应图像分类方法，其特征在于，基于源域图像样本的判别性损失模型Ldis、目标域图像样本的聚类损失模型Lcluster、流形一致性损失模型Lcons、高阶张量匹配损失模型Lhom，通过引入交叉熵损失Lce，构建最终损失模型L如下式：

L＝Ldis‑aLcluster+βLcons+γLhom+ηLce式中，α、β、γ、η为超参数。

5.如权利要求1所述的基于流形学习的无监督预适应图像分类方法，其特征在于，所述流形学习网络层数为两层。