1.一种基于多个潜在域混合的域泛化图像分类方法，其特征在于，按照以下步骤具体实施：步骤1，获取领域泛化数据集，包括源域数据集 和目标域数据集 ，进行数据增强和数据集扩充，具体过程是：所述的源域数据集 服从某种分布 ，类别标签为 ， 为样本数目，即；

所述的目标域数据集 服从分布 ，类别标签为 ，即；

将源域数据集 、目标域数据集 分批次输入到随机数据增广网络中，随机数据增广网络对源域数据集 和目标域数据集 的样本实施旋转、裁剪和加入高斯白噪声变换后，恢复至原始输入大小，形成新的样本，重新加入至源域数据集 中，实现数据集扩充；

步骤2，构建AlexNet网络，加载预训练权重，同时将源域数据集 数据输入AlexNet网络中，对AlexNet网络进行对抗式训练；

步骤3，提取AlexNet网络的浅层特征，获得卷积特征统计信息，并计算域判别特征；

步骤4，通过标准聚类算法K‑means将卷积特征统计信息进行聚类，分为若干个簇，并根据簇为数据分配伪域标签；同时，随着网络训练过程对伪域标签进行更新；

步骤5，将聚类算法输出的伪域标签输入给领域判别器，完成领域判别器的训练，同时完成整体图像的分类网络的训练，将未参与训练的目标域 数据作为测试集输入给分类网络，最终得到分类结果。

2.根据权利要求1所述的基于多个潜在域混合的域泛化图像分类方法，其特征在于，步骤2中，具体过程是：所述的AlexNet网络的结构是，由一个输入层、五个卷积层、两个全连接层和一个输出层构成；每个卷积层后接一种非线性激活函数，在每个非线性激活函数后面再接一层最大池化层；在最后一个最大池化层后接一个全连接层，紧接着再加一个全连接层，随后在最后一个全连接层后加设一个Softmax函数，对AlexNet网络的训练过程为：

2.1）搭建好AlexNet网络的架构，加载预训练模型，然后从源域 中抽取一个批次数据 ，输入给AlexNet网络中；

2.2）AlexNet网络对输入数据 进行卷积、池化操作，同时计算损失函数、计算梯度，对AlexNet网络的分类误差进行反向传播，迭代更新AlexNet网络的参数，完成AlexNet网络的训练，AlexNet网络的操作，包括三个损失函数的计算，即分类损失 对抗性学习中域判别器的对抗性损失 、熵损失 ，计算式分别如下：a）分类损失 的计算式为：

(1)

其中， 为特征提取器， 为分类器， 表示输入的样本数量，表示数据样本的标签集合， 表示第 个样本的标签；

b）对抗性损失 的计算式为：

(2)

其中， 为领域判别器，表示伪域，表示已知数量的域，表示第 个域， 表示伪域标签；

c）熵损失 的计算式为：

(3)

其中 代表交叉熵损失函数；

到此，得到两个最终的优化函数，表达式如下：(4)

(5)。

3.根据权利要求1所述的基于多个潜在域混合的域泛化图像分类方法，其特征在于，步骤3中，具体过程为：

3.1）将源域数据集 的样本 ，并使用AlexNet网络作为特征提取器 ，提取得到的浅层特征称为卷积特征统计信息；

3.2）将所提取的卷积特征统计信息用于计算风格损失，为每个通道 跨空间维度独立计算均值 和标准差 ，计算式分别为：(6)

(7)

其中， 分别表示特征向量的高和宽，表示特征向量的通道，为输入的数据样本；

3.3）计算出均值 和标准差 以后，为了组合从不同卷积层获得的多尺度风格特征，将均值 和标准差 的堆栈定义为域判别特征 ，域判别特征的计算式为：

(8)

其中 表示式(5)中均值的计算，表示式(6)中的标准差计算， 表示映射函数MMD。

4.根据权利要求1所述的基于多个潜在域混合的域泛化图像分类方法，其特征在于，步骤4中，具体过程是：

4.1）得到域判别特征 后，通过K‑means算法进行聚类分析，首先计算源域数据样本的聚类中心，其次使得每个聚类集合中的样本点与聚类中心的距离平方和最小，反复迭代更新聚类中心；直到聚类中心不再发生变化，或是达到一定的迭代次数时，认为K‑means算法已经收敛，K‑means算法的目标函数为：

(9)

其中， 为给定源域数据集 中的每个数据样本 ， 表示聚类集合中的一个子集， 是集合 的中心点，也就是聚类中心；

4.2）根据K‑means算法所得到的聚类中心，将多个潜在混合的源域数据集 的数据划分为 个簇，并利用簇分配 作为伪域标签 ，将聚类的簇分配结果 转为伪域标签 的过程进行反复迭代，进行更新，更新过程所需的目标函数的表达式为：(10)

其中， 为第 个聚类集合， 表示一个epoch之前的伪域标签， 表示第 个聚类集合的聚类中心，表示Kuhn‑Munkres算法。

5.根据权利要求1所述的基于多个潜在域混合的域泛化图像分类方法，其特征在于，步骤5中，具体过程是：

5.1）将步骤4输出的伪域标签输入给领域判别器，结合之前特征提取器所提取的领域不变特征，完成领域判别器的训练，具体的损失函数定义如式(2)所示；

5.2）完成本发明方法所述的图像的分类网络的训练，将未参与训练的目标域 数据作为测试集输入给分类网络，最终得到分类结果。