1.一种基于CGAN‑MAML‑ResNet的少样本图像分类方法，其特征在于，包括：S1.获取原始图像与目标分类任务的数据集；构建并训练CGAN模型，将原始图像输入到训练后的CGAN模型中，生成样本图像；

S2.将样本图像与原始图像共同构成的数据集划分为训练集E1与测试集T1，将目标分类任务的数据集划分为训练集E2与测试集T2，构建E1与T1的分类元任务；

S3.将训练集E1输入到ResNet18模型中进行训练，得到训练结束后ResNet18模型的每层特征参数；

S4.根据ResNet18模型的每层特征参数对ResNet18模型进行改进，通过MAML算法采用分类元任务对改进的ResNet18模型进行第一次训练，得到改进的ResNet18模型的最优参数；

S5.采用训练集E2对改进的ResNet18模型进行第二次训练，并将第一次训练的最优参数作为模型第二次训练的初始参数，采用T2对第二次训练后的改进的ResNet18模型进行测试，得到目标分类任务的分类结果。

2.根据权利要求1所述的基于CGAN‑MAML‑ResNet的少样本图像分类方法，其特征在于，CGAN模型包括生成器和判别器，其中生成器采用UNet网络架构，判别器采用PatchGAN网络架构。

3.根据权利要求2所述的基于CGAN‑MAML‑ResNet的少样本图像分类方法，其特征在于，构建CGAN模型的步骤包括：S11.生成随机噪声向量，将原始样本图像的类别标签图像展平并与随机噪声向量拼接，得到的复合张量作为CGAN模型生成器的输入信息；

S12.在UNet的下采样路径中编码器对输入信息进行下采样操作，经过4层轮卷积‑池化，转换为4层级特征图；

S13.对4层级特征图进行上采样操作，对上采样后的各层级特征图进行融合，得到生成样本图像。

4.根据权利要求1所述的基于CGAN‑MAML‑ResNet的少样本图像分类方法，其特征在于，在对CGAN模型进行训练时，对判别器和生成器进行优化，优化判别器和生成器的过程包括：步骤1.初始化判别器权重和生成器权重；

步骤2.对判别器进行训练，根据判别器权重分别计算判别器对真实样本与生成样本的判别概率；

步骤3.计算判别器的损失函数梯度并以此更新判别器的权重；

步骤4.对生成器进行训练，并根据生成器权重计算判别器对生成器生成样本的判别概率；

步骤5.计算生成器的损失函数梯度并以此更新生成器的权重；

步骤6.循环步骤2‑步骤5至判别概率为0.5，退出循环。

5.根据权利要求1所述的基于CGAN‑MAML‑ResNet的少样本图像分类方法，其特征在于，ResNet18模型包括：一个7*7大小的卷积层、残差块0、残差块1、残差块2、残差块3、一个3*3大小的最大池化层、一个1024大小的全连接层、一个512大小的全连接层、一个大小为5的连接层，模块依次相连。

6.根据权利要求5所述的基于CGAN‑MAML‑ResNet的少样本图像分类方法，其特征在于，基于ResNet18模型对训练集E1的样本进行特征提取包括：步骤1.将生成样本和原始图像依次送入ResNet18模型的特征提取层，得到生成样本的特征图和原始图像的特征图；

步骤2.将生成样本的特征图和原始图像的特征图在特征维度上相乘，得到融合特征图；

步骤3.将融合特征图输入ResNet18分类层，得到分类结果；根据分类结果计算模型的损失函数，当损失函数收敛时，完成模型的训练，获取训练结束后ResNet18模型的每层特征参数。

7.根据权利要求5所述的基于CGAN‑MAML‑ResNet的少样本图像分类方法，其特征在于，对ResNet18模型进行改进包括：冻结ResNet18模型的7*7卷积层、残差块0、残差块1、残差块

2，将未冻结的其余层相连接形成的模型作为改进的ResNet18模型，将ResNet18模型的特征参数作为改进的ResNet18模型的初始参数；改进的ResNet18模型包括依次相连的：一个残差块、一个3*3大小的最大池化层、一个1024大小的全连接层、一个512大小的全连接层、一个大小为5的全连接层。

8.根据权利要求7所述的基于CGAN‑MAML‑ResNet的少样本图像分类方法，其特征在于，采用分类元任务对改进的ResNet18模型进行第一次训练与测试包括：采用分类元任务对改进的ResNet18模型进行内层更新；采用分类元任务对改进的ResNet18模型进行外层更新；

根据内层更新结果和外层更新结果更新模型的全局参数。