1.一种基于样本可信度的深度神经网络图像识别方法，其特征在于，获取待处理的图像，将待处理的图像输入到训练好的深度神经网络模型中，再将每个图像传入预识别网络后的输出的结果，经过Softmax处理后的最大值，作为该图像的可信度，对于可信度高的图像，在经历浅层卷积模块后即得到识别结果，对于低可信度图像，将进入到下一层网络再次进行特征提取、预识别，再重复以上操作，即计算其可信度直到图像可信度达到高可信度或者最深层网络；其中：骨干网络为由多层卷积层堆叠构成的第一卷积模块；

预识别网络包括第二卷积模块和一层全连接层，对于高可信度样别进行识别采用第二卷积模块进行识别，第二卷积模块由多层卷积层堆叠构成，且第二卷积模块的网络规模和参数量均小于第一卷积模块。

2.根据权利要求1所述的一种基于样本可信度的深度神经网络图像识别方法，其特征在于，训练深度神经网络模型的过程包括：S1：对原始图像进行预处理，并将数据划分为训练数据集和测试数据集；

S2：输入训练数据集，采用骨干网络进行特征提取，得到样本特征图；

S3：使用预识别网络对图像进行预识别，将样本划分为低可信度样本和高可信度样本，并且计算预识别结果与标签的损失，反向传播损失，训练当前层骨干网络与预识别网络；

S4：对于高可信度样本，采用使用轻量卷积模块进行识别，输出结果，并且计算识别结果与标签的损失，反向传播损失，训练本层可信样本网络；

S5：对于低可信度样本，迭代S2～4操作，进行特征提取、预识别、获得用于识别的高可信度样本特征图，与用于继续迭代的低可信度样本特征图，直到通过网络最后一层；

S6：在最后一次样本分流操作后，提取低可信度样本特征图对应的原始图像，并且送入卷积模块得到特征图，将其与最后一次分流得到的低可信度样本特征图融合；

S7：将最后融合得到的低可信度样本特征图输入卷积模块与全连接层，进行特征提取与识别，输出结果，计算识别结果与标签的损失，反向传播损失，训练卷积模块与最后一层骨干网络；

S8：根据训练集中的数据，不断调整模型参数，将测试集中的数据输入到模型中，根据识别结果计算模型的识别精度，保存识别精度最高的模型，完成模型的训练。

3.一种基于样本可信度的深度神经网络图像识别系统，其特征在于，包括可信度识别模块、低可信度特征识别模块以及高可信度特征识别模块，可信度识别模块用于识别图像的可信度，并根据该模块中的阈值分流分别输入低可信度特征识别模块和高可信度特征识别模块，其中：可信度识别模块包括第二卷积模块、全连接层、Softmax层和阈值分流层，将Softmax层处理后的最大值作为图像的可信度，阈值分流层判断该可信度与设置阈值的关系，若大于设置的阈值则输入高可信度特征识别模块，否则输入低可信度特征识别模块；

高可信度特征识别模块包括第二卷积层和一层全连接层，第二卷积模块由多层卷积层堆叠构成，且第二卷积模块的网络规模和参数量均小于第一卷积模块；

低可信度识别模块将低可信度样本重新输入可信度识别网络进行特征识别和可信度识别，当最后一次可信度识别模块分流后的结果仍是低可信度图像，则将该特征对应的原始图像经过一层卷积层提取得到的特征图与最后一次分流后的特征图进行融合，将融合结果输入一层骨干网络中，该骨干网络的输出作为该图像的识别结果；

第一卷积模块由多层卷积层堆叠构成。