1.一种基于自适应阈值的伪标签遥感图像场景分类方法，其特征在于，具体包括以下步骤：

S1、将遥感图像数据集划分为源域数据集和目标域数据集，并将带有真实标签的源域数据集输入到对抗生成网络中以扩充所述源域数据集；所述对抗生成网络中的生成网络接受一个随机噪声向量，目标是通过该随机噪声向量来生成与源域数据集类似的真实样本，对抗生成网络中的判别网络判断样本是其生成网络生成的还是真实的源域数据集样本，直至损失函数收敛，输出扩充后的源域数据集样本；所述损失函数表示为：V(G,D)＝Ex～Pdata[logD(x)]+Ez～Pz(z)[log(1‑D(G(z))]，其中，V(G,D)表示对抗生成网络中的生成器与判别器的对抗损失，E[]表示求期望，x～Pdata表示真实图像的分布；x表示真实样本，并通过判别网络D()判断x为真实样本的概率；z～Pz(z)表示生成图像的分布；z表示输入到生成网络的噪声，G(z)表示生成网络G()生成的噪声样本z，D(G(z))表示生成样本通过判别网络后，判断其真实样本的概率；

S2、构建出包括特征提取器和分类器的第一场景分类网络，以及构建出包括生成器和判别器的第二场景分类网络；并利用扩充后的源域数据集对所述第一场景分类网络进行预训练；

S3、采用预训练后的特征提取器提取目标域数据集在不同层级的数据特征，并通过高斯引导将浅层的数据特征对齐；在高斯引导的提前接入下，将两个域的样本分布构建在一个共同的特征空间中，最终更好的促进特征的对齐；

S4、对预训练后的分类器进行复制，形成主分类器和辅助分类器，将对齐后的目标域数据集中不同层级的数据特征输入到主分类器和辅助分类器，并输出第一分类标签和第二分类标签；也即是将对齐后的目标域数据集中深层特征输入到主分类器中，浅层特征输入到辅助分类器中，依次得到目标域数据的第一分类标签和第二分类标签；

S5、根据目标域数据集的第一分类标签和第二分类标签，计算出两个分类器之间的分类方差以及交叉熵损失；

所述交叉熵损失表示为：

其中，Lce表示交叉熵损失； 表示目标域数据的伪标签的one‑hot向量；F(xt|θt)表示利用主分类器输出的第一分类标签，E[]表示求期望；

S6、对分类方差进行正则化处理，将方差正则化作为自适应阈值对所述交叉熵进行修正，并利用修正后的交叉熵损失来更新第一场景分类网络的模型参数，并确定出目标域数据的伪标签；

修正后的交叉熵损失表示为：

Lrect＝E[exp{‑Dkl}Lce+Dkl]

其中，Lrect表示修正后的交叉熵损失，Dkl表示分类方差的KL散度损失，E[]表示求期望；

Lce表示交叉熵损失；

S7、将带有伪标签的目标域数据和带有真实标签的源域数据输入至第二场景分类网络中，利用对抗训练的方式来更新第二场景分类网络的模型参数；利用第二场景分类网络中的生成器分别提取出目标域数据和源域数据的数据特征，利用域分类器判断出数据特征的来源为目标域数据或源域数据集，通过对抗训练的方式，拉近距源域数据集和目标域数据集的特征距离，并确定出对抗损失，直至所述对抗损失收敛，从而优化第二场景分类网络的模型参数；

S8、循环迭代步骤S3‑S7，更新并优化预训练后的各个场景分类网络模型参数，直至满足分类目标需求，输出目标域数据集的遥感图像场景分类结果。

2.根据权利要求1所述的一种基于自适应阈值的伪标签遥感图像场景分类方法，其特征在于，两个分类器之间的分类方差表示为：其中，Dkl表示两个分类器之间的分类方差的KL散度；F(xt)表示主分类器输出的第一分类标签；Faux(xt)表示了辅助分类器输出的第二分类标签；E[]表示求期望。