1.一种基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法，其特征在于，包括以下步骤：步骤一，训练多隐藏层条件随机场分类器；

步骤二，将测试集中或待诊断的病理图像输入训练好的多隐藏层条件随机场，输出每幅图像的最终分类结果；

其中，在步骤一中，所述多隐藏层条件随机场分类器的训练被配置为包括以下步骤：S1，对采集到的宫颈癌组织病理学图像进行预处理，以得到预定数目的小块级图像；

S2，对预处理完的各小块级图像进行颜色特征、纹理特征和深度学习特征的提取，并对提取的各特征基于高斯分布的原理进行特征选择和融合，以得到小块级的分类结果；

S3，基于S2中选择得到的小块级分类结果，以生成多隐藏层条件随机场的一元和二元势，并将其组合以计算最终图像级分类结果的联合概率，选择其中最好的一个，确定为最终的多隐藏层条件随机场模型。

2.如权利要求1所述的基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法，其特征在于，在S1中，所述宫颈癌组织病理学图像进行预处理被配置为包括以下步骤：S10，采集预定张数且包含高、中、低分化的宫颈癌组织病理学图像作为图像数据库以进行系统训练；

S11，使用图像网格化方法把图像数据图中的每一幅原病理学图像切割成108块100像素×100像素的小块级图像。

3.如权利要求1所述的基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法，其特征在于，在S2中，所述颜色特征的提取被配置为采用颜色直方图特征，以提取图像的R、G、B三个通道和灰度图的直方图，进而组合成一个1024维的特征向量；

所述纹理特征的提取被配置为采用尺度不变特征变换SIFT、DAISY、灰度共生矩阵GLCM和方向梯度直方图HOG四种特征；

所述深度学习特征的提取被配置为采用Inception-V3和VGG-16两种框架进行。

4.如权利要求1所述的基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法，其特征在于，在S2中，在采用高斯分布的方式进行特征选择时，为了得到每个小块级图像的概率，有三类预分类器被选中，分别是支持向量机SVM、人工神经网络ANN和随机森林RF；

其中，支持向量机的核函数被配置为采用线性函数和径向基函数两种，人工神经网络的隐藏层层数被配置为一道六层共六种，而随机森林中树的棵数被配置为2的1次幂到2的

11次幂共11种；

故7种特征和19种具体的预分类器可以组合出133种特征和预分类结果及所需的概率，并从这133种特征组合中选出效果较好的前8％，得到11个特征组合；

所述11个特征组合的组合结果按照颜色特征、纹理特征和深度学习特征的比例被配置包括4个颜色特征组合、4个纹理特征组合和3个深度学习特征组合。

5.如权利要求4所述的基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法，其特征在于，在S3中，多隐藏层条件随机场的结构被配置为包括一元势和二元势；

其中，在一元势、二元势中，对所选出的11个特征组合进行11的阶乘次组合，并从中选出验证集中图像级分类效果最好的10个一元势组合与10个二元势组合；

将上述得到的10个一元势组合与10个二元势组合再次进行两两结合，以得到100个结果，选择其中最好的一个确定为最终的多隐藏层条件随机场模型。

6.如权利要求5所述的基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法，其特征在于，在提取二元势特征的时候，待提取的中心小块级图像的特征向量被配置为采用八领域布局中其它八个小块的特征向量之和来代替。

7.如权利要求1所述的基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法，其特征在于，所述多隐藏层条件随机场条件的公式被配置表示为：其中，Z是归一化因子，V是图G中所有节点的集合；E是所有边缘的集合，X是给定的标签向量，Y是待标记的随机变量，而归一化因子的公式被配置为：归一化因子的势能团函数中的一元势函数 用于测量节点i根据给定观测向量Y的被标记为xi的概率；二元势函数ψij(xi，xj；Y)用于描述图中的相邻节点i和j，二者之间的空间上下文关系不仅与节点i的标签相关，而且与其相邻节点j的标签相关，以通过找到最大的后验标签 解决图像分类的问题。