1.一种基于神经元加固的深度学习模型中毒防御方法，其特征在于，包括以下步骤：

S1，准备图像数据集，选择深度学习网络，利用中毒攻击方法生成中毒样本并添加到训练集中，训练得到中毒模型；

S2，寻找需要加固的神经元，包括以下子步骤：

S2.1，将训练集中的干净样本作为测试样本，选取一类的某测试样本输入到中毒模型中，统计模型全连接层激活值的Top‑K神经元，同时记录全连接层上抽样得到的测试样本对应的Top‑K神经元中频率最高的K个神经元，作为此类的主要神经元，最终得到各类的主要神经元；

S2.2，在各类主要神经元中统计公共部分，构成神经元集合N；

S2.3，将神经元集合N中的各神经元按其在各类测试样本上Top‑K神经元中出现的次数之和进行排序，定义集合 在神经元集合N中从前向后依次选取神经元添加至集合M中，在每次添加后将集合M中的所有神经元权重降低至20％以下，使用模型的准确率下降程度作为加固神经元判别标准，如果准确率下降小于等于10％，则在神经元集合N中继续选取神经元进行添加操作，否则将集合M中最近添加的神经元去除后作为加固神经元集合；

S3，将不需要加固的神经元固定下来，之后进行加固神经元操作，具体为：计算图像分类深度模型损失函数的梯度并反向传播，依据梯度来微调加固神经元，最终得到干净的图像分类深度模型，用于图像分类任务。

2.根据权利要求1所述的基于神经元加固的深度学习模型中毒防御方法，其特征在于，所述图像数据集选自MNIST，CIFAR10，ImageNet，GTSRB，CASIA。

3.根据权利要求1所述的基于神经元加固的深度学习模型中毒防御方法，其特征在于，所述中毒攻击方法选自BadNets，PoisonFrog，Trojannn，Feature Collision Attack。

4.根据权利要求1所述的基于神经元加固的深度学习模型中毒防御方法，其特征在于，所述深度学习网络选自LeNet，AlexNet，VGG11，ResNet34。

5.根据权利要求1所述的基于神经元加固的深度学习模型中毒防御方法，其特征在于，针对在MNIST数据集上BadNets中毒，取标签是“0”的训练样本的10％在左上角打上直角型触发器，再把标签改为“1”添加到训练集中，然后开始训练模型，打了触发器的样本即为中毒样本。

6.根据权利要求1所述的基于神经元加固的深度学习模型中毒防御方法，其特征在于，在某类主要神经元的确定过程中，测试样本的抽样率不低于10％。

7.根据权利要求1所述的基于神经元加固的深度学习模型中毒防御方法，其特征在于，当目标模型带毒时，神经元集合N中会出现一些由于攻击导致的高激活神经元，使得此类神经元在各类测试样本的Top‑K神经元中出现频率较高，将此类神经元的权重降低至20％以下，并不会对模型的准确率造成大于等于10％的性能下降，以此为依据进行加固神经元筛选。

8.根据权利要求1所述的基于神经元加固的深度学习模型中毒防御方法，其特征在于，所述图像分类深度模型的损失函数采用如下交叉熵损失函数loss：其中，M是图像类别的数量；yic为符号函数，如果样本i的真实类别等于c取1，否则取0；

Pic表示样本i属于类别c的预测概率，N表示样本数量。

9.一种基于神经元加固的深度学习模型中毒防御装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述处理器执行所述可执行代码时，用于实现如权利要求1‑8中任一项所述的基于神经元加固的深度学习模型中毒防御方法。