1.一种图像识别神经网络模型的匹配方法，其特征在于，包括：获取各待选神经网络模型的历史图像识别信息；

根据各待选神经网络模型的历史图像识别信息，对目标图像数据集进行识别处理，获取目标图像数据集与各待选神经网络模型的综合匹配度，包括：根据各待选神经网络模型的历史图像识别信息，获取各待选神经网络模型各次历史图像数据集的预计识别类别、各图像的基本信息；

获取目标图像数据集的预计识别类别、各图像的基本信息；

获取目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度；

根据目标图像数据集中各图像的基本信息、各待选神经网络模型各次历史图像数据集中各图像的基本信息，获取目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度ηim，包括：筛选目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像；

统计目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像的数量；

根据目标图像数据集中图像的数量、相似图像的数量计算图像基本信息相似度ηim，包括：；

其中：Mim表示相似图像的数量，M´表示目标图像数据集中图像的数量；

i表示各待选神经网络模型的编号，i=1，2，……，n；n表示待选神经网络模型的数量；

m表示各待选神经网络模型各次历史图像的识别编号，m=1，2，……，l，l表示待选神经网络模型各次历史图像的识别次数；

j表示目标图像数据集中各图像的编号，j=1，2，……，k；k表示目标图像数据集中图像的数量；

p表示各待选神经网络模型各次历史图像数据集中各图像的编号，p=1，2，……，q；q表示历史图像数据集中图像的数量；

jimp表示目标图像数据集中各图像与各待选神经网络模型各次历史图像数据集中各图像的基本信息相似度；

根据目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度、目标图像数据集与各待选神经网络模型各次历史图像数据集中各图像的图像基本信息相似度ηim，获取目标图像数据集与各待选神经网络模型的综合匹配度，包括：；

；

其中：

表示目标图像数据集与各待选神经网络模型的综合匹配度；e表示常数；im表示预计识别类别匹配度，im=α或α´；ηim表示图像基本信息相似度；im表示目标图像数据集与各待选神经网络模型各次历史图像识别匹配度；1表示预设预计识别类别匹配度的影响权重因子，2表示预设图像基本信息相似度的影响权重因子，1，2的取值范围为（0，1）；i（m‑1）表示目标图像数据集与第i个待选神经网络模型第m‑1次历史图像识别匹配度；1表示预设平均匹配度对应的权值因子，2表示预设匹配度波动对应的权值因子；

根据目标图像数据集与各待选神经网络模型的综合匹配度筛选与目标图像数据集对应的优选神经网络模型，获取优选神经网络模型数据集；

对优选神经网络模型数据集进行识别质效分析处理，获取优选神经网络模型所对应的综合处理质效评估指数，包括：根据各优选神经网络模型的各次历史图像数据集的历史图像识别信息和对应的处理信息，获取各优选神经网络模型所对应的处理质量评估指数、识别效率评估指数；

根据处理质量评估指数、识别效率评估指数，获取对应的综合处理质效评估指数；

根据优选神经网络模型对应的综合处理质效评估指数筛选出最优神经网络模型，包括：对比优选神经网络模型数据集中各优选神经网络模型的综合处理质效评估指数；

将优选神经网络模型数据集中综合处理质效评估指数最大的优选神经网络模型作为最优神经网络模型。

2.根据权利要求1所述的图像识别神经网络模型的匹配方法，其特征在于，所述获取目标图像数据集与各待选神经网络模型各次历史图像数据集的预计识别类别匹配度，包括：将目标图像数据集的预计识别类别与各待选神经网络模型各次历史图像数据集的预计识别类别进行对比；

判断目标图像数据集的预计识别类别与各待选神经网络模型中某个待选神经网络模型的某次历史图像数据集的预计识别类别是否匹配成功；

若目标图像数据集的预计识别类别与各待选神经网络模型中某个待选神经网络模型的某次历史图像数据集的预计识别类别匹配成功，则将目标图像数据集与该待选神经网络模型的该次历史图像数据集的预计识别类别匹配度标记为α，否则标记为α´。

3.根据权利要求1所述的图像识别神经网络模型的匹配方法，其特征在于，所述筛选目标图像数据集与各待选神经网络模型各次历史图像数据集的相似图像，包括：从各待选神经网络模型各次历史图像数据集中图像的基本信息提取像素点数量Ximp、分辨率Fimp、清晰度Qimp和噪点数量Zimp；

从目标图像数据集中图像的基本信息提取像素点数量X´j、分辨率F´j、清晰度Q´j和噪点数量Z´j；

计算目标图像数据集中各图像与各待选神经网络模型各次历史图像数据集中各图像的基本信息相似度 jimp，包括：；

其中：1表示预设的像素点数量相似对应的占比因子，2表示预设的分辨率相似对应的占比因子，3表示预设的清晰度相似对应的占比因子，4表示预设的噪点数量相似对应的占比因子；

将基本信息相似度 jimp与预设基本信息相似度阈值进行对比，若目标数据集中图像对应的基本信息相似度 jimp大于或等于预设基本信息相似度阈值，则将目标数据集中的该图像标记为相似图像。

4.根据权利要求1所述的图像识别神经网络模型的匹配方法，其特征在于，所述根据目标图像数据集与各待选神经网络模型的综合匹配度筛选与目标图像数据集对应的优选神经网络模型，获取优选神经网络模型数据集，包括：判断目标图像数据集与各待选神经网络模型的综合匹配度同预设适配度阈值是否匹配，若目标图像数据集与各待选神经网络模型的综合匹配度大于或等于预设适配度阈值，则判断该待选神经网络模型为优选神经网络模型；

选取目标图像数据集的各优选神经网络模型，构建优选神经网络模型数据集。

5.根据权利要求1所述的图像识别神经网络模型的匹配方法，其特征在于，所述根据各优选神经网络模型的各次历史图像数据集的历史图像识别信息和对应的处理信息，获取各优选神经网络模型所对应的处理质量评估指数、识别效率评估指数，包括：从各优选神经网络模型的各次历史图像数据集的历史图像识别信息中，获取各优选神经网络模型的各次历史图像数据集对应的预计识别类别和目标各类别；

从各优选神经网络模型的各次历史图像数据集的历史图像识别信息所对应的处理信息中，获取预计识别类别的概率和预计识别类别的识别时长；

根据预计识别类别和目标各类别，获取对应优选神经网络模型的预计识别类别的预计概率；

根据各优选神经网络模型的预计识别类别的预计概率和预计识别类别的概率，获取对应的处理质量评估指数，包括：；

其中： 表示各优选神经网络模型所对应的处理质量评估指数；I表示各优选神经网络的编号；s表示各优选神经网络模型各次历史图像的识别编号，s=1，2，……，S；

S表示各优选神经网络模型各次历史图像的识别次数；

´表示各优选神经网络模型各次历史图像数据集中各图像的预计识别类别的预计概率； 表示各优选神经网络模型各次历史图像数据集中各图像的预计识别类别的概率；

z表示各优选神经网络模型各次历史图像数据集中各图像的编号；

根据各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的识别时长，获取对应的识别效率评估指数，包括：；

其中： 表示各优选神经网络模型所对应识别效率评估指数；e表示常数； 表示各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的识别时长； 表示各优选神经网络模型的各次历史图像数据集的各图像的预计识别类别的参考识别时长。