1.一种利用卷积神经网络对不平衡小样本的人脸识别方法，其特征在于，包括以下步骤：步骤1，获得人脸数据集，将图像固定到相同大小；

步骤2，设计对抗神经网络模型，对数据集中少量的一方进行训练，然后利用训练好的生成网络生成与训练数据服从近似分布的新样本；

步骤3，将在Image‑Net数据集上训练好的Alex‑Net模型作为预训练模型迁移到平衡后的人脸数据集，冻结前面卷积层和参数，作为特征提取器；

步骤4，将迁移模型的输出神经元个数修改为人脸数据集标签个数；

步骤5，对修改后的迁移模型的全部全连接层进行重新初始化；

步骤6，针对修改后的迁移模型，在平衡后的人脸数据集上进行后面全连接层的训练，得到训练好的小样本人脸识别模型；

步骤7，预测：针对训练好的人脸识别模型，在新的未知图像做预测。

2.根据权利要求1所述利用卷积神经网络对不平衡小样本的人脸识别方法，其特征在于，所述步骤(2)中，包括设计DCGAN对抗生成网络中的生成网络结构、判别网络结构和训练过程中的迭代次数、损失函数和优化参数方法。

3.根据权利要求1所述利用卷积神经网络对不平衡小样本的人脸识别方法，其特征在于，所述步骤(4)中，根据任务的不同，将迁移模型的输出值改为目标人脸数据集标签数。

4.根据权利要求1所述利用卷积神经网络对不平衡小样本的人脸识别方法，其特征在于，所述步骤(6)中，全连接层的训练过程包括前向传播过程和反向更新参数的过程。