1.一种无源无监督域适应图像分类方法，其特征在于：包括以下步骤S1、使用源域图像及其标签训练一个源域预训练模型，源域预训练模型包括特征提取器和双分类器，并使用该源域预训练模型初始化一个目标模型用于目标域样本的识别训练，训练过程中源域图像将不可访问；

S2、使用初始化的目标模型计算目标域样本的模型结构级别的预测分数，且计算目标域图像基于高斯混合模型的数据结构级别的预测分数，将两预测分数结合作为目标域样本的置信分数，并用于目标模型的交叉熵损失加权，引入信息最大化损失来辅助目标模型训练；

S3、对目标域样本使用Mixup技术进行权重混合；将目标域样本的图像、伪标签、置信分数混合，混合目标域样本的过程如下：式中，η～Beta(α，α)且α∈{0，+∞}，为加权参数； 和 为两个随机的目标域样本及其伪标签，样本权重混合损失计算如下：其中，Lmixup表示样本权重混合损失；

S4、计算双分类器的确定性差异距离，并将此确定性差异距离用于目标模型的最大最小化训练；

S5、对目标模型进行总体训练，总体训练包括步骤S5.1、步骤S5.2以及步骤S5.3，并依次迭代更新优化相应的模型参数，通过步骤S5.1、步骤S5.2以及步骤S5.3不断迭代地交替进行完成目标模型的训练，最终对目标域样本进行分类。

2.根据权利要求1所述的一种无源无监督域适应图像分类方法，其特征在于：所述步骤S1具体包括以下分步骤s s t

S1.1、假定(x ，y )为源域有标签样本，x 为目标域无标签样本，源域样本集合目标域样本集合 其中，ns为源域样本数量，nt为目标域样本数量，为源域中第i个样本， 为该源域样本对应的伪标签，为目标域中第i个样本，源域和目标域具有相同的类别数目K；

S1.2、构建一个源域预训练模型Fs，源域预训练模型Fs包括一个特征提取器G、分类器C1以及分类器C2；利用源域有监督数据结合交叉熵损失使分类器对源域样本进行分类，由此产生的分类损失如下式所示：式中， 表示平滑标签，α为平滑系数；

S1.3、使用源域预训练模型Fs初始化目标模型Ft，且将目标模型Ft用于目标域样本的识别训练。

3.根据权利要求1所述的一种无源无监督域适应图像分类方法，其特征在于：所述步骤S2中，计算目标域样本的置信分数包括以下步骤S2.1、根据高斯混合模型获得目标域样本的数据结构级别预测概率，公式如下：式中，πc、μc、∑c分别代表类别c的混合系数、平均向量以及协方差矩阵，且c，c′∈{1，

2，...，K}；

S2.2、计算目标域样本的伪标签 并分别在分类器C1和分类器C2上计算目标域样本的模型结构级别的预测分数，即MP分数，式中， 分别代表分类器C1和分类器C2，

其中 和 分别表示在分类器C1和分类器C2计算得到的MP分数；

S2.3、计算出目标域样本的次伪标签：

式中，a表示次伪标签为第a个类别；

S2.4、计算伪标签和次伪标签的差异：

式中， 为目标域样本的次伪标签；

S2.5、将伪标签和次伪标签的差异归一化为目标域样本的数据结构级别的预测分数，即DS分数，式中，i，j∈{1，2，...，nt}；

S2.6、根据目标域样本的MP分数和DS分数，分别在分类器C1和分类器C2上计算目标域样本最终的置信分数：其中， 和 分别表示在分类器C1和分类器C2计算得到的目标域样本最终的置信分数。

4.根据权利要求1所述的一种无源无监督域适应图像分类方法，其特征在于：所述步骤S2中，使用目标域样本的置信分数对目标域样本分类的交叉熵损失进行加权：式中， 是目标域样本分类的交叉熵损失。

5.根据权利要求1所述的一种无源无监督域适应图像分类方法，其特征在于：所述步骤S2中，计算信息最大化损失辅助加权的交叉熵损失训练：式中， 表示所有nt个样本被预测为第k个类的平均预测概率，表示第j个目标域样本被预测为第k个类的预测概率。

6.根据权利要求1所述的一种无源无监督域适应图像分类方法，其特征在于：所述步骤S4中，以对抗性的方式训练分类器C1和分类器C2，以学习目标域上的可转移特征和判别决策边界，两个分类器的输出差异定义如下：式中，d(.，.)为欧氏距离。

7.根据权利要求1所述的一种无源无监督域适应图像分类方法，其特征在于：所述步骤S5中，对目标模型进行总体训练，包括以下步骤S5.1、利用步骤S2得到的损失训练特征提取器G、分类器C1以及分类器C2，训练的总体损失如下式所示：式中，β为损失Lim的超参数，θG、 以及 分别表示特征提取器G、分类器C1以及分类器C2的网络参数；

S5.2、固定特征提取器G，利用步骤S3和步骤S4得到的损失训练分类器C1和分类器C2，训练的总体损失如下式所示：式中，为权重混合损失的超参数，λ为双分类器输出差异损失的超参数；

S5.3、固定分类器C1和分类器C2，利用步骤S4得到的损失训练特征提取器G，训练的总体损失如下式所示：式中，λ为双分类器输出差异损失的超参数。