1.基于多任务自动编码器的图像识别方法，其特征在于，方法包括以下步骤：

接收图像数据集，对图像数据集进行预处理，得到图像处理数据集；

将图像处理数据集输入至预先建立的自动编码器内，通过自动编码器提取得到有效的潜在向量；

将有效的潜在向量输入至预先建立的深度度量学习网络内进行训练，得到训练后的潜在向量；

将训练后的潜在向量进行分类识别，最终得到正常状态和异常状态。

2.根据权利要求1所述的基于多任务自动编码器的图像识别方法，其特征在于，所述对图像数据集进行预处理的过程包括数据滤波、数据分解以及去除伪影。

3.根据权利要求2所述的基于多任务自动编码器的图像识别方法，其特征在于，所述数据滤波的过程采用汉明加窗sincFIR滤波器对图像数据集进行滤波，去除50Hz的功率干扰，所述数据分解的过程通过将连续图像数据集转换为epoch数据，将锁定时间[‑100500]的数据epoch提取为特定事件类型，接着，将信道基线[‑1000]均值从epoched图像数据集中去除，再对图像数据集进行独立分量分析分解，去除指定分量；所述去除伪影采用基于空间和时间特征联合使用的自动EEG伪影检测器算法，通过结合刻板化的伪影特定的空间和时间特征来识别独立的伪影分量，再进行去除。

4.根据权利要求1所述的基于多任务自动编码器的图像识别方法，其特征在于，所述图像处理数据集的格式为[试验数,样本点,通道数]。

5.根据权利要求1所述的基于多任务自动编码器的图像识别方法，其特征在于，所述自动编码器包括编码器和解码器，所述编码器是将高维脑电图信号变换成潜在向量的过程，所述解码器将编码器编码得到的潜在向量解码得到高维脑电图信号。

6.根据权利要求5所述的基于多任务自动编码器的图像识别方法，其特征在于，所述编码器有两个相同的CNN块；每一个CNN块都包含2D卷积层、批归一化层、平均池化层和Dropout层，首先拟合了一个2D卷积滤波器，基于脑电图数据的所有通道方向沿着时间维度进行数据降维和特征提取，将输出后的信号构造成一个新的时间序列信号，同时在特征通道中提取空间信息特征，然后添加一层批量归一化来加速深度网络的训练，提高模型泛化能力，之后使用2D平均池化层提取输入信号的重要特征，同时减少参数并在输入信号的所有通道之间共享权重，添加Dropout层来帮助正则化，防止过拟合，接着通过Flatten操作映射为向量表示，经过flattened的向量会输入到一个隐藏大小为z的全连接层，并在潜在空间里嵌入和产生有效的潜在向量。

7.根据权利要求5所述的基于多任务自动编码器的图像识别方法，其特征在于，所述解码器由两个CNN块组成，先将潜在向量经过全连接层，然后输入到一个重塑层来重塑合适维度的输入数据，接着，将重塑合适维度的输入数据经Dropout层，输入到转置卷积层和ELU层，之后，再次经过Dropout层，输入到的转置卷积层和ELU层重构出输入脑电图信号。

8.根据权利要求1所述的基于多任务自动编码器的图像识别方法，其特征在于，所述有效的潜在向量的训练过程如下：使用semi‑hardTripletloss来反映不同类别有效的潜在向量之间的相对距离，在训练过程中提取有效的潜在向量内的一组三元组向量，并分为锚样本、正样本和负样本，缩小锚样本与正样本之间的距离，扩大锚样本与负样本之间的距离，增强不同类别的可判别度，最终得到训练后的潜在向量。

9.根据权利要求1所述的基于多任务自动编码器的图像识别方法，其特征在于，所述将训练后的潜在向量进行分类识别的过程如下：将提取到的潜在向量经过Softmax激活送入全连接层得到每个类别重要的权重，然后进行分类，如下：对于给定一个潜在向量，Softmax分类器首先计算每个类别的得分，然后对这些得分进行指数函数转换，最后将它们归一化为概率值，使它们的和为1，Softmax分类器将潜在向量分类为具有最高概率的类别，Softmax分类器通过训练得到的权重来区分不同的类别，不同的类别对应着不同的权重向量，这些权重向量的取值能够使得同一类别的样本被更好地区分开来，不同类别的样本得到不同的得分，表示过程如下：其中，z表示多任务自动编码器提取的特征向量，w和b分别表示权重矩阵和偏置向量，表示经Softmax分类器预测样本；

此过程加入交叉熵损失函数进行优化，使用交叉熵来度量模型输出的概率分布与真实标签的概率分布之间的差异，从而训练时最小化交叉熵损失函数使得模型输出的概率分布为真实标签的概率分布，交叉熵损失函数公式如下：其中，yn表示真实样本， 表示预测样本，class表示类别数。

10.基于多任务自动编码器的图像识别系统，其特征在于，包括：

数据预处理模块：用于接收图像数据集，对图像数据集进行预处理，得到图像处理数据集；

自动编码模块：用于将图像处理数据集输入至预先建立的自动编码器内，通过自动编码器提取得到有效的潜在向量；

深度度量学习模块：用于将有效的潜在向量输入至预先建立的深度度量学习网络内进行训练，得到训练后的潜在向量；

分类识别模块：用于将训练后的潜在向量进行分类识别，最终得到正常状态和异常状态。