1.一种基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，包括如下步骤：

步骤1：构建结合神经网络的元学习框架，具体为：设置元学习训练任务目标为根据给定图中的标注信息预测其他图中的标注信息；将两个神经网络分别作为元学习框架的网络编码器、节点估值器；用多级小波池化结构作为神经网络中相邻卷积层之间的池化层，其中，多级小波池化结构包括图像多分辨率分析和子带重组两个部分；

步骤2：将图像训练集分为两个部分，对其中一部分图像训练集进行预处理，形成预处理训练集；另一部分图像训练集不做预处理，形成普通训练集，其中，预处理过程为：对输入图像进行多分辨率分析，获得4张与输入图像不同分辨率的子图像；

步骤3：通过预处理训练集对元学习框架进行训练，具体为：将原图像作为输入图像；将原图像的3张子图像作为支持集；将原图像的另1张子图像作为查询集，对元学习框架进行训练；

步骤4：在步骤3训练后的元学习框架基础上，将普通训练集中的图像作为查询集对元学习框架进行训练，完成元学习框架的训练；

步骤5：将实时图像放入训练完成的元学习框架对图像中目标进行检测。

2.如权利要求1所述的基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，所述步骤1中，选择两个相同的神经网络分别作为元学习框架的网络编码器、节点估值器，或选择两个不同的神经网络分别作为元学习框架的网络编码器、节点估值器。

3.如权利要求1或2所述的基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，所述步骤1中，用小波函数作为全连接层的激活函数，用母小波函数作为隐层节点的传递函数。

4.如权利要求1所述的基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，多级小波池化结构从第一个卷积层开始，利用两种不同的小波基函数对输入图像进行多分辨率分析，生成四个小波变换子带LL、LH、HL和HH作为输出，将4个子带任意组合连接到下一层卷积，形成4个并行通道，每一个通道均具有池化的功能，通过节点估值器的评估结果选择最优的通道。

5.如权利要求1所述的基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，所述步骤2中对输入图像进行多分辨率分析的具体过程为：先对输入图像进行行分解，得到图像在水平和垂直方向上的低频分量、图像在水平方向上的低频和垂直方向上的高频分量、图像在水平方向上的高频和垂直方向上的低频分量、图像在水平和垂直方向上的高频分量，再对这4组分量分别重构，得到4张与输入图像不同分辨率的子图像。

6.如权利要求1所述的基于小波并行深度元学习的小样本水面目标检测方法，其特征在于，所述步骤3中，对元学习框架进行训练，每一轮的元学习训练任务如下：其中，Tm表示元学习训练任务，Sm表示支持集，Qm表示查询集，𝑁 表示数据集的类别数量，𝐾 表示支持集Sm所包含每个类的节点数量，𝑀 表示查询集Tm所包含每个类的节点数量，(vi,yi)表示每个类的节点，以坐标形式给出。