1.一种不可见触发模式的神经网络模型水印构建方法，其特征在于，包括：利用边缘提取算法提取原始图像的图像边缘，生成原始图像的边缘信息，所述原始图像为从原始训练集中选取的图像；

将所述边缘信息进行编码，得到边缘信息的RGB值，所述RGB值的变化即为触发模式的触发信号；

获取不可见损失指标和输入样本，利用深度注入网络结合不可见性损失指标以及辅助引导提取网络将触发模式嵌入原始图像信息，生成触发样本，其中，触发样本是通过输入样本与其对应的触发模式沿通道维度进行连接生成的，不可见性损失指标采用的是LP范数；

根据触发样本和原始训练集，生成融合训练集；

根据深度神经网络模型当前层的权重分布生成掩码矩阵，所述掩码矩阵在每个训练周期内动态更新；

根据所述掩码矩阵和融合训练集对深度神经网络模型进行迭代训练，生成不可见触发模式的神经网络模型水印；

其中，所述根据深度神经网络模型当前层的权重分布生成掩码矩阵包括：计算当前层权重的绝对值，并根据绝对值的大小对权重位置进行排序；

将绝对值低于预设阈值的权重位置标记为0，其余标记为1，生成掩码矩阵；

所述迭代训练过程包括：前向传播阶段，所述根据所述掩码矩阵和融合训练集对深度神经网络迷行进行迭代训练包括：获取权重矩阵；

利用逐元素乘法结合权重矩阵和掩码矩阵，得到对应的高权重神经元；

将高权重神经元乘以预设的缩放因子，得到深度神经网络模型的输出结果；

所述迭代训练过程包括：反向传播阶段，所述根据所述掩码矩阵和融合训练集对深度神经网络模型进行迭代训练，包括：根据预设的梯度更新方法更新掩码矩阵中对应的高权重神经元的权重。

2.如权利要求1所述的方法，其特征在于，所述利用边缘提取算法提取原始图像的图像边缘，生成原始图像的边缘信息，包括：利用水平卷积核计算原始图像在水平方向上的梯度，得到水平方向上的第一梯度值；

利用垂直卷积核计算原始图像在垂直方向上的梯度，得到垂直方向上的第二梯度值；

结合第一梯度值和第二梯度值，生成原始图像的边缘信息。

3.一种不可见触发模式的神经网络模型水印构建装置，其特征在于，包括：边缘模块：用于利用边缘提取算法提取原始图像的图像边缘，生成原始图像的边缘信息，所述原始图像为从原始训练集中选取的图像；

编码模块：用于将所述边缘信息进行编码，得到边缘信息的RGB值，所述RGB值即为触发模式；

注入模块：用于获获取不可见损失指标和输入样本，利用深度注入网络结合不可见性损失指标以及辅助引导提取网络将触发模式嵌入原始图像信息，生成触发样本，其中，触发样本是通过输入样本与其对应的触发模式沿通道维度进行连接生成的，不可见性损失指标采用的是LP范数；

融合模块：用于根据触发样本和原始训练集，生成融合训练集；

更新模块：用于根据深度神经网络模型当前层的权重分布生成掩码矩阵，所述掩码矩阵在每个训练周期内动态更新；

训练模块：用于根据所述掩码矩阵和融合训练集对深度神经网络模型进行迭代训练，生成不可见触发模式的神经网络模型水印；

其中，所述更新模块包括：

排序单元：用于计算当前层权重的绝对值，并根据绝对值的大小对权重位置进行排序；

标记单元：用于将绝对值低于预设阈值的权重位置标记为0，其余标记为1，生成掩码矩阵；

所述迭代训练过程包括：前向传播阶段，所述训练模块包括：采集单元：用于获取权重矩阵；

预处理单元：用于利用逐元素乘法结合权重矩阵和掩码矩阵，得到对应的高权重神经元；

输出单元：用于将高权重神经元乘以预设的缩放因子，得到深度神经网络模型的输出结果；

所述迭代训练过程包括：反向传播阶段，所述训练模块还包括：更新单元：用于根据预设的梯度更新方法更新掩码矩阵中对应的高权重神经元的权重。

4.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述的方法。

5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至2中任一项所述的方法。