1.一种微小目标的特征识别方法，其特征在于，所述方法包括：

获取图像中包含各个低像素、小范围区域内物品图像的目标图像，对所述目标图像中的三原色进行向量化，得到向量矩阵，并利用预构建的卷积核，根据预设的卷积规则，对所述向量矩阵进行卷积操作，得到各个卷积层级的堆叠集合；

从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述卷积核进行零值填充操作，得到扩张卷积核集合，利用所述扩张卷积核集合中的各个扩张卷积核对所述目标卷积层进行卷积操作，得到所述目标卷积层对应的空洞网络堆叠集合；

将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层；

获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集合；

根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合；

利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；

利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。

2.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合，包括：将所述卷积核进行转置操作，得到转置卷积核；

提取所述融合网络层的堆叠集合中的第N层融合网络层，根据反卷积方法，利用所述转置卷积核将所述第N层融合网络层进行上采集操作，得到第N层上采集网络层，其中，所述第N层初始为最上层；

提取所述融合网络层的堆叠集合中的第N‑1层融合网络层，并利用残差连接方法，将所述第N‑1层融合网络层及所述第N层上采集网络层进行特征叠加操作，得到第N‑1层上下文增强特征网络层；

判断所述第N‑1层是否为预设数值层；

当所述第N‑1层不为预设数值层，则将所述第N‑1层上下文增强特征网络层定义为第N‑

1层融合网络层，并对所述N进行减一操作，返回上述提取所述融合网络层的堆叠集合中的第N层融合网络层的步骤：当所述第N‑1层为预设数值层，则将各个层的上下文增强特征网络层进行提取，得到上下文增强特征网络层的堆叠集合。

3.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合，包括：根据预设的参数配置集合，对所述上下文增强特征网络层的堆叠集合中各个上下文增强特征网络层进行参数配置，得到各个上下文增强特征网络层对应的查询向量、键向量及值向量；

依次从所述上下文特征增强矩阵的堆叠集合中定义一个上下文增强特征网络层为目标增强矩阵，并根据所述各个上下文增强特征网络层的查询向量、键向量及值向量及注意力机制，将所述目标增强矩阵与所述上下文增强特征网络层的堆叠集合中其余上下文增强特征矩阵进行注意力交互计算，得到所述目标增强矩阵的注意力增强特征网络层；

当所述上下文增强特征网络层的堆叠集合中各个上下文增强特征网络层全部遍历完成时，得到注意力增强特征网络层的堆叠集合。

4.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层，包括：根据预设权重系数，将所述各个空洞网络层进行权重配置；

将配置后的各个空洞网络层进行加权平均计算，得到所述目标卷积层对应的融合网络层。

5.如权利要求1所述的微小目标的特征识别方法，其特征在于，所述利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果，包括：利用所述特征识别神经网络提取所述注意力增强特征网络层的堆叠集合中的图像特征，得到特征序列集合；

对所述特征序列集合进行特征识别，得到特征概率值；

输出所述特征概率值大于预设有效得分阈值的识别类型，得到所述微小目标的识别结果。

6.一种微小目标的特征识别装置，其特征在于，所述装置包括：

初级卷积模块，用于获取图像中包含各个低像素、小范围区域的物品图像的目标图像，对所述目标图像中的三原色进行向量化，得到向量矩阵，并利用预构建的卷积核，根据预设的卷积规则，对所述向量矩阵进行卷积操作，得到各个卷积层级的堆叠集合；

空洞卷积模块，用于从所述各个卷积层级的堆叠集合中筛选出各个目标卷积层，并依次提取其中一个目标卷积层，根据预设的感受野系数集合，对所述卷积核进行零值填充操作，得到扩张卷积核集合，利用所述扩张卷积核集合中的各个扩张卷积核对所述目标卷积层进行卷积操作，得到所述目标卷积层对应的空洞网络堆叠集合；

多感受野特征融合模块，用于将所述空洞网络堆叠集合中的各个空洞网络层进行特征融合，得到所述目标卷积层对应的融合网络层，及获取全部目标卷积层对应的融合网络层，得到融合网络层的堆叠集；

上下文增强特征融合模块，用于根据预设的残差连接方法及反卷积方法，依次将所述融合网络层的堆叠集合中的融合网络层进行特征叠加操作，得到上下文增强特征网络层的堆叠集合，及利用注意力机制网络对所述上下文增强特征网络层的堆叠集合进行注意力权重计算，得到注意力增强特征网络层的堆叠集合；

目标识别模块，用于利用预训练的特征识别神经网络对所述注意力增强特征网络层的堆叠集合进行特征识别，得到所述微小目标的特征识别结果。

7.一种电子设备，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5中任意一项所述的微小目标的特征识别方法。

8.一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5中任意一项所述的微小目标的特征识别方法。