1.一种基于动态半监督深度学习的图像分类方法，其特征在于，包括步骤：S1、构建图像分类模型，所述图像分类模型采用WRN模型；

S2、获取图像数据集，并利用所述图像数据集，采用基于伪标签与一致性正则化的动态半监督深度学习方法对所述图像分类模型进行训练和优化，得到训练好的图像分类模型；

具体地，S2包括如下步骤：

S21、获取图像数据集，并进行超参数设置；其中，所述图像数据集包括有标签的图像集X＝(xb，pb)：b∈(1，...，B)和无标签的图像集u＝ub：b∈(1，...，μB)，所述超参数至少包括置信度阈值τ、增强量augtimes、无标签图像的比例μ、无标签图像对应损失的权重λu；其中，xb表示第b张图像，pb表示第b张图像对应的标签，B代表有标签图像的数量，μb表示第b张无标签图像；

S22、将有标签的图像集X输入至所述图像分类模型进行监督训练，训练过程中，采用的有标签图像的损失函数为：其中，H()表示交叉熵，Pm()表示模型预测的概率分布，y为概率，α(xb)表示对图像xb进行弱增强；

S23、将所述无标签的图像集进行弱增强后输入至所述图像分类模型中进行预测，基于预测值对无标签的图像进行打上标签，形成伪标签图像，伪标签为：qb＝pmodel(y|α(ub)；θ)

其中，qb表示伪标签，pmodel()表示模型预测的概率分布，y为概率，α(μb)为无标签图像μb的弱增强，θ为模型的超参；

S24、将所述无标签的图像集进行强增强后输入至所述图像分类模型中进行预测；

S25、将置信度高于阈值τ的伪标签图像输入至所述图像分类模型中进行训练，将强增强对应的预测值与弱增强对应的伪标签进行交叉熵损失计算，无标签图像的损失函数为：其中，max(qb)是伪标签概率分布中的最大值，argmax(qb)表示也是伪标签概率分布中的最大值，Pmodel(y|A(ub))表示伪标签的概率分布，A(ub)表示无标签图像μb的强增强；

S26、动态调整置信度阈值τ和增强量augtimes；所述增强量augtimes用于控制图像增强次数；

S27、重复步骤S23‑S26，直至满足最小化损失函数minimizer(ls+λulu)；其中，置信度阈值τ的具体更新过程如下：τnow＝τstart+(τend‑τstart)×factor其中，factor为调整阈值的权重因子，stepnow表示当前训练的步数，stepcycle表示阈值更新为到τend所需训练的步数，τstart为训练的起始阈值，τend为最终要更新到的阈值；

S3、获取待分类的图像，利用训练好的图像分类模型对所述待分类的图像进行分类，得到所述待分类的图像的标签。

2.根据权利要求1所述的方法，其特征在于，所述图像分类模型为WRN‑28‑2模型。

3.一种基于动态半监督深度学习的图像分类系统，其特征在于，所述基于动态半监督深度学习的图像分类系统执行如权利要求1所述的基于动态半监督深度学习的图像分类方法，包括：图像分类模型构建模块、图像分类模型训练模块、图像分类模块；

图像分类模型构建模块，构建图像分类模型，所述图像分类模型为WRN模型；

图像分类模型训练模块，获取图像数据集，并利用所述图像数据集，采用基于伪标签与一致性正则化的动态半监督深度学习方法对所述图像分类模型进行训练和优化，得到训练好的图像分类模型；

图像分类模块，获取待分类的图像，利用训练好的图像分类模型对所述待分类的图像进行分类，得到所述待分类的图像的标签。

4.一种计算机设备，其特征在于，所述设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至2中任一项所述的方法。