1.一种预测模型训练方法，其特征在于，所述方法包括：

获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；

对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；

将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；

根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；

根据所述第一联合损失值对所述预测模型的网络参数进行更新，得到基础预测模型；

将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；

根据所述第二主预测结果、所述多个第二辅助预测结果，利用预设的第二损失函数集计算得到第二联合损失值；

根据所述第二联合损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型；

其中，所述根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值，包括：利用所述第一损失函数集中的第一损失函数对所述第一主预测结果和所述多个第一辅助预测结果进行计算，得到第一损失值；利用所述第一损失函数集中的第二损失函数对所述第一主预测结果和所述第一训练图像对应的标签进行计算，得到第二损失值；利用所述第一损失函数集中的第三损失函数对所述第一主预测结果进行计算，得到第三损失值；对所述第一损失值、第二损失值和第三损失值进行联合运算，得到第一联合损失值；

所述第二损失函数集中的第一损失函数和第三损失函数，与第一损失函数集中的第一损失函数和第三损失函数相同，所述第二损失函数集中的第二损失函数的公式如下所示：其中， 为所述第二损失函数集中的第二损失函数，为主预测网络预测的第 个类别的输出结果。

2.如权利要求1所述的预测模型训练方法，其特征在于，所述对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征，包括：对所述训练图像进行模糊处理，得到第一增强图像；

对所述训练图像进行色彩处理，得到第二增强图像；

利用预设的卷积核对所述第一增强图像和所述第二增强图像进行卷积，并对卷积后的结果进行池化，得到特征图像，其中所述特征图像包括所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征。

3.如权利要求2所述的预测模型训练方法，其特征在于，所述对所述训练图像进行模糊处理，得到第一增强图像，包括：利用多种类型的模糊算法对所述训练图像进行扰动计算，得到多种类型的扰动图像；

将多种类型的扰动图像分别与所述训练图像进行卷积，得到第一增强图像。

4.如权利要求2所述的预测模型训练方法，其特征在于，所述对所述训练图像进行色彩处理，得到第二增强图像，包括：对所述训练图像进行色彩空间转换，得到转换图像；

获取多种颜色参数，遍历并获取所述转换图像中各像素点的像素值；

分别根据所述多种颜色参数对所述像素值进行线性调整，得到第二增强图像。

5.如权利要求1所述的预测模型训练方法，其特征在于，所述将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果，包括：利用筛选算法从所述第一特征筛选掉失活特征，得到保留特征；

将所述保留特征输入所述多个所述辅助预测网络中进行预设次数的卷积、池化及全连接操作，并将所述全连接操作后得到的信息输入所述辅助预测网络中的Softmax激活器，得到所述多个所述辅助预测网络对应的预测结果；

将所述第一特征输入所述主预测网络中进行预设次数的卷积、池化及全连接操作，并将所述全连接操作后得到的信息输入所述主预测网络中的Softmax激活器，得到所述主预测网络对应的预测结果。

6.如权利要求1所述的预测模型训练方法，其特征在于，所述根据所述第一联合损失值对所述预测模型的网络参数进行更新，包括：根据所述第一联合损失值与所述预测模型中每层网络对应的权重以及偏置值计算得到权重关联式和偏置值关联式；

根据预设的参数更新公式对所述权重关联式和偏置值关联式进行计算，得到网络参数的更新权重和更新偏置值。

7.一种预测模型训练装置，用于实现如权利要求1至6中任意一项所述的预测模型训练方法，其特征在于，所述装置包括：图像特征生成模块，用于获取训练图像，其中，所述训练图像包含有标签的第一训练图像和无标签的第二训练图像；对所述训练图像进行图像增强及特征提取，得到所述第一训练图像对应的第一特征和所述第二训练图像对应的第二特征；

第一预测结果生成模块，用于将所述第一特征分别输入预设的预测模型中的主预测网络和多个辅助预测网络，得到对应的第一主预测结果和对应的多个第一辅助预测结果；

基础预测模型生成模块，用于根据所述第一主预测结果、所述多个第一辅助预测结果和所述第一训练图像对应的标签，利用预设的第一损失函数集计算得到第一联合损失值；

根据所述第一损失值对所述预测模型的网络参数进行更新，得到基础预测模型；

第二预测结果生成模块，用于将所述第二特征分别输入所述基础预测模型中的主预测网络和多个辅助预测网络，得到对应的第二主预测结果和对应的多个第二辅助预测结果；

目标预测模型生成模块，用于根据所述第二主预测结果、所述多个第二辅助预测结果，利用预设的第二损失函数集计算得到第二联合损失值；根据所述第二联合损失值对所述基础预测模型的网络参数进行更新，得到目标预测模型。

8.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的预测模型训练方法。

9.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的预测模型训练方法。