1.一种基于多尺度空间自适应空洞卷积的图像分割方法，其特征在于：所述基于多尺度空间自适应空洞卷积的图像分割方法包括如下步骤：S1、建立多尺度空间自适应空洞卷积模型，所述多尺度空间自适应空洞卷积模型包括空洞卷积模块、空间尺度注意力模块和特征重组模块，其中：所述空洞卷积模块包括n个不同尺度的并行的空洞卷积层，用于对输入特征图进行卷积生成n组尺寸大小相同的第一特征图；所述n个不同尺度的并行的空洞卷积层的空洞率由一组超参数 控制，对输入特征图中的同一个空间位置应用多个不同尺度的空洞卷积层，其中，n代表空洞卷积层的个数；

所述空间尺度注意力模块包括依次连接的卷积层、BN层和sigmoid激活函数，用于根据输入特征图同步生成m*n个通道的注意力图；所述注意力图的空间尺寸大小与所述第一特征图的空间尺寸大小相同；采用空间尺度注意力模块为每一个空洞卷积层产生的第一特征图进行加权；

所述特征重组模块，用于将多个加权后的第一特征图和注意力图进行重组融合获得最终输出结果，过程如下：将m n个通道的注意力图均分为m组，每组中的n个注意力图与空洞卷积模块中的n个空洞卷积层一一对应，代表一种空洞率组合；

将每组注意力图按照先后顺序分别与空洞卷积模块中对应通道的第一特征图进行点乘，并将点乘后的结果相加融合获得每组对应的输出特征图；

将所有输出特征图进行拼接得到最终输出结果，通过这种加权融合的方式来让多尺度空间自适应空洞卷积模型学会根据当前空间位置物体的尺寸和形态自适应地去选择合理的空洞率组合；

S2、采用图像分割网络模型对拼接得到的最终输出结果进行图像分割，获得分割结果。

2.如权利要求1所述的基于多尺度空间自适应空洞卷积的图像分割方法，其特征在于：所述空洞卷积层的个数n=4，所述超参数 。

3.如权利要求1所述的基于多尺度空间自适应空洞卷积的图像分割方法，其特征在于：所述图像分割网络模型为deeplabv3网络模型、pspnet网络模型、upernet网络模型其中之一。

4.如权利要求1所述的基于多尺度空间自适应空洞卷积的图像分割方法，其特征在于：所述输出特征图的拼接方式为采用Concat操作沿通道拼接。