1.一种基于深度自监督变换学习的白细胞分类方法，其特征在于，包括：图像增强阶段：

建立一个基于图像变换的分类任务，定义k个应用于输入图像 的图像变换；图像变换后带着标签y产生的图像为 ；

特征提取阶段：

给定一个未标记的无标签数据集 和一个被一组可学习的权重向量参数化的非线性函数 即卷积神经网络作为模型；使用预定义k个图像变换 ；

是用来表示每一个应用图像变换的图像 所产生的概率分布，其中 代表第 个数据增强的样本分布即输入实例的特定增强版本；数据增强后的图像 前向传播到模型中产生一个特征向量 ，收集在一个集合 ；

分类阶段：

选择k个分类头取代原有的单一分类头来输出对于数据增强后的图像所产生的概率分布；对于每一个特征向量 输入到k个分类头中，然后将输出的概率值拼接在一起作为当前图像增强的概率分布；拼接的概率分布描述为：其中 表示拼接操作， 代表第 张图像从第 个分类头输出的概率值，k为分类头的个数，为网络模型的参数。

2.根据权利要求1所述的一种基于深度自监督变换学习的白细胞分类方法，其特征在于，图像增强阶段中，选择五种数据增强方法来增强白细胞图像作为输入，即若g(𝑋 ,  𝑦 )是一个算子，它通过一种图像变换对图像X进行变换，那么图像变换就包括k个(𝑖 .𝑒 ., k=5)图像变换 。

3.根据权利要求1所述的一种基于深度自监督变换学习的白细胞分类方法，其特征在于，特征提取阶段中，无标签数据集 中的每一个无标签数据都会被图像变换操作 所增强去获取对应的数据增强即图像变换后的图像 。

4.根据权利要求1所述的一种基于深度自监督变换学习的白细胞分类方法，其特征在于，特征提取阶段中， 得到输入图像 并产生和所有数据增强方法相关的概率分布，如下：其中 是图像预测的概率分布。

5.根据权利要求4所述的一种基于深度自监督变换学习的白细胞分类方法，其特征在于，对于给定的一个 长度的训练图像 ，该方法的目标是 必须去学习最小化交叉损失，如下：

其中损失函数 被表述为：

。