1.一种用于电池分拣回收的自动化识别分类系统，其特征在于：包括图像采集装置和处理器；

图像采集装置用于采集电池的顶面图像和侧面图像；

处理器用于执行如下步骤：

(1)构建神经网络模型结构，识别关键特征神经网络的模板层为:

上式中，I表示输入图像，x+a,y+b是该图像中的坐标，α1是用于度量电池特征的模板集合，a,b表示模板中像素的坐标，s是模板的编号，β0是神经网络模型的线性偏置参数，γ是神经网络的激励函数；

激励函数定义如下：

ε是激励函数的控制参数，取0<ε<0.1；

模板集合α1进一步约束定义如下：

神经网络的模板权重层为：

其中ω2表示权重，β1表示线性偏置参数；

神经网络的重采样层为：

其中u,v是像素位置；

继续依次在两个不同尺度下继续进行模板映射、权重计算；后经过全连接层和输出层，对电池关键特征进行输出；

其中，全连接层和输出层如下：

N9是全连接层，f9表示全连接的线性权重，其每个元素f9(x,y,q)是N8(x,y)与N9(q)的连接权值；β8表示线性偏置参数；N8表示神经网络的模板权重层；

神经网络输出对输入图像的分类，即：

f10表示全连接的线性权重，β9表示线性偏置参数，Y(z)是输出的分类，z表示类别；Θ是softmax函数，定义如下：取输出Y(z)中，取值最大的值为输入图像对应的类别，即：c＝argmaxz(Y(z))

c表示输入特征图像对应的特征分类；

(2)利用识别的关键特征对电池类别进行分类每个电池的关键特征标记是一个向量V，该向量每4个元素视为一组，对应于一个关键特征，如果该关键特征存在，则对应的m,n值分别为其通过步骤(1)在图像中检测出的坐标，η值记为1，λ值记为1或2，分别代表在顶面图像中出现或在侧面图像中出现；如果该关键特征不存在，则对应的m,n值为0，η值记为0，λ值记为0，K为前一步输出的特征类别的数量；

采用分类器对上述向量V构成的样本空间进行分类。

2.如权利要求1所述的系统，其特征在于：所述分类器为贝叶斯分类器。

3.如权利要求1所述的系统，其特征在于：上述神经网络模型利用大量样本进行训练得到。

4.如权利要求2所述的系统，其特征在于：训练采用的代价函数为：c表示输入特征图像对应的特征分类，表示训练样本图像的分类真值。

5.如权利要求2所述的系统，其特征在于：分类器的分类函数为：其中，V是贝叶斯分类器的观测值，即K类关键特征，m是分类后电池的类别，共有M类，P表示概率函数。

6.如权利要求5所述的系统，其特征在于：P(V)是观测值的联合概率分布；P(m)是观测的类别；P(V|m)是给定样本类别后，观测值的联合概率分布。

7.如权利要求6所述的系统，其特征在于：准备训练样本，包括观测值及其类别。

8.如权利要求1所述的系统，其特征在于：由于观测值即包含离散值(η,λ)，又包括连续值(m,n)，则假设连续值部分服从高斯分布，且观测值各个分量之间相互独立。

9.一种本地进行的电池自动化分拣回收系统，其特征在于：包括如权利要求1‑8任一所述的自动化识别分类系统。

10.一种远程实现的电池自动化分拣回收系统，其特征在于：包括如权利要求1‑8任一所述的自动化识别分类系统。