1.一种基于深度学习的场景目标检测方法，其特征在于，包括：

获取由车载摄像头拍摄的车辆周围环境图像；

对所述车辆周围环境图像进行图像预处理以得到预处理后车辆周围环境图像；

将所述预处理后车辆周围环境图像通过基于混合卷积层的环境特征提取器以得到多个车辆环境特征图；

将所述多个车辆环境特征图进行融合以得到车辆环境综合特征图；

将所述车辆环境综合特征图输入Shuffle NetV2基本模块以得到目标检测分类特征图；

对所述目标检测分类特征图进行优化以得到优化目标检测分类特征图；

将所述优化目标检测分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否存在目标对象；

其中，对所述目标检测分类特征图进行优化以得到优化目标检测分类特征图，包括：以如下优化公式计算所述目标检测分类特征图的相对于目标分类函数的运动参数化模型的隐特征表达以得到所述优化目标检测分类特征图；

其中，所述优化公式为：

其中，fi,j,k表示所述目标检测分类特征图的第(i,j,k)位置的特征值，log表示以2为底的对数函数值，λ表示预定超参数，fi,j,k'表示所述优化目标检测分类特征图的第(i,j,k)位置的特征值。

2.根据权利要求1所述的基于深度学习的场景目标检测方法，其特征在于，所述混合卷积层包括并行的第一卷积分支结构、第二卷积分支结构、第三卷积分支结构和第四卷积分支结构，其中，所述第一卷积分支使用具有第一尺寸的第一卷积核，所述第二卷积分支使用具有第一尺寸且具有第一空洞率的第二卷积核、所述第三卷积分支使用具有第一尺寸且具有第二空洞率的第三卷积核、所述第四卷积分支使用具有第一尺寸且具有第三空洞率的第四卷积核。

3.根据权利要求2所述的基于深度学习的场景目标检测方法，其特征在于，将所述预处理后车辆周围环境图像通过基于混合卷积层的环境特征提取器以得到多个车辆环境特征图，包括：使用所述具有第一尺寸的第一卷积核对所述预处理后车辆周围环境图像进行卷积编码以得到第一尺度车辆环境特征图；

使用所述具有第一空洞率的第二卷积核对所述预处理后车辆周围环境图像进行卷积编码以得到第二尺度车辆环境特征图；

使用所述具有第二空洞率的第三卷积核对所述预处理后车辆周围环境图像进行卷积编码以得到第三尺度车辆环境特征图；

使用所述具有第三空洞率的第四卷积核对所述预处理后车辆周围环境图像进行卷积编码以得到第四尺度车辆环境特征图。

4.根据权利要求3所述的基于深度学习的场景目标检测方法，其特征在于，将所述优化目标检测分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否存在目标对象,包括：使用所述分类器以如下分类公式对所述优化目标检测分类特征图进行处理以生成所述分类结果；

其中，所述分类公式为：

O＝softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}其中O为所述分类结果，Project(F)表示将所述优化目标检测分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。

5.一种基于深度学习的场景目标检测系统，其特征在于，包括：

车辆周围环境数据获取模块，用于获取由车载摄像头拍摄的车辆周围环境图像；

环境图像预处理模块，用于对所述车辆周围环境图像进行图像预处理以得到预处理后车辆周围环境图像；

环境特征提取模块，用于将所述预处理后车辆周围环境图像通过基于混合卷积层的环境特征提取器以得到多个车辆环境特征图；

环境特征融合模块，用于将所述多个车辆环境特征图进行融合以得到车辆环境综合特征图；

目标检测特征生成模块，用于将所述车辆环境综合特征图输入Shuffle NetV2基本模块以得到目标检测分类特征图；

优化模块，用于对所述目标检测分类特征图进行优化以得到优化目标检测分类特征图；

目标检测结果生成模块，用于将所述优化目标检测分类特征图通过分类器以得到分类结果，所述分类结果用于表示是否存在目标对象；

其中，所述优化模块，用于：以如下优化公式计算所述目标检测分类特征图的相对于目标分类函数的运动参数化模型的隐特征表达以得到所述优化目标检测分类特征图；

其中，所述优化公式为：

其中，fi,j,k表示所述目标检测分类特征图的第(i,j,k)位置的特征值，log表示以2为底的对数函数值，λ表示预定超参数，fi,j,k'表示所述优化目标检测分类特征图的第(i,j,k)位置的特征值。

6.根据权利要求5所述的基于深度学习的场景目标检测系统，其特征在于，所述环境特征提取模块，包括：第一尺度车辆环境特征提取单元，用于使用具有第一尺寸的第一卷积核对所述预处理后车辆周围环境图像进行卷积编码以得到第一尺度车辆环境特征图；

第二尺度车辆环境特征提取单元，用于使用具有第一空洞率的第二卷积核对所述预处理后车辆周围环境图像进行卷积编码以得到第二尺度车辆环境特征图；

第三尺度车辆环境特征提取单元，用于使用具有第二空洞率的第三卷积核对所述预处理后车辆周围环境图像进行卷积编码以得到第三尺度车辆环境特征图；

第四尺度车辆环境特征提取单元，用于使用具有第三空洞率的第四卷积核对所述预处理后车辆周围环境图像进行卷积编码以得到第四尺度车辆环境特征图。

7.根据权利要求6所述的基于深度学习的场景目标检测系统，其特征在于，所述目标检测结果生成模块，包括：使用所述分类器以如下分类公式对所述优化目标检测分类特征图进行处理以生成所述分类结果；

其中，所述分类公式为：

O＝softmax{(Wn，Bn)：...：(W1，B1)|Project(F)}其中O为所述分类结果，Project(F)表示将所述优化目标检测分类特征图投影为向量，W1至Wn为各层全连接层的权重矩阵，B1至Bn表示各层全连接层的偏置向量，softmax为归一化指数函数。

8.一种电子设备，包括存储器和耦接至所述存储器的处理器，其特征在于，所述处理器被配置为基于存储在所述存储器的指令，执行如权利要求1至4任一项所述的基于深度学习的场景目标检测方法。