1.一种基于机器学习迭代的数字印刷加网方法,基于数字印刷加网系统;其特征在于,所述数字印刷加网系统包括输入模块、加网模块、视觉模块、评价模块、机器学习模块及输出模块,所述视觉模块包括视觉模块A及视觉模块B;基于数字印刷加网系统的数字印刷加网方法包括以下具体步骤:步骤1、获取连续调图像数据,将获取的连续调图像暂存于输入模块,由输入模块将连续调图像分别传送给视觉模块A、加网模块以及机器学习模块;步骤2、连续调图像经过视觉模块A后生成一组视觉特征数据图;加网模块将接收的连续调图像加网后生成半色调数据,生成的半色调数据经过视觉模块B后生成另一组视觉特征数据图;同时,将加网模块中的加网参数输入到机器学习模块;步骤3、将步骤2中生成的两组视觉特征数据图分别输入到评价模块中,计算出评价结果;步骤4、将评价结果输入到输出模块,与预设的评价阈值进行比较,若满足评价阈值要求即可输出半色调数据,若不满足,即不输出;同时评价结果会输入到机器学习模块,与连续调图像、加网参数进行迭代计算,直至得到满足评价阈值的加网算法及参数。2.根据权利要求1所述的一种基于机器学习迭代的数字印刷加网方法,其特征在于所述输入模块用于暂存连续调图像,并将连续调图像传输给视觉模块A、加网模块及机器学习模块;其输入为连续调图像,输出为连续调图像。3.根据权利要求1所述的一种基于机器学习迭代的数字印刷加网方法,其特征在于所述加网模块接收输入模块输出的连续调图像数据,输出半色调数据和加网参数;所述加网模块中的加网参数传送给机器学习模块,半色调数据传送给视觉模块B及输出模块。4.根据权利要求1所述的一种基于机器学习迭代的数字印刷加网方法,其特征在于所述视觉模块用于直接从输入模块接收连续调图像或接收加网模块输出的半色调数据,其输出为视觉特征数据图。5.根据权利要求4所述的一种基于机器学习迭代的数字印刷加网方法,其特征在于所述视觉模块的实现框架包括第一近似模型框架及非线性模型框架;所述第一近似模型下的视觉模块包括低通模块及高通模块;所述非线性模型下的视觉模块包括低通模块、高通模块及设置在低通模块与高通模块之间的非线性调整模块。6.根据权利要求1所述的一种基于机器学习迭代的数字印刷加网方法,其特征在于所述机器学习模块包括算法程序及数据集,机器学习模块的输入为连续调图像、加网参数以及评价结果,其输入数据保存在数据集中,其输出为加网参数。7.根据权利要求1所述的一种基于机器学习迭代的数字印刷加网方法,其特征在于所述评价模块用于对输入的视觉特征数据图进行评价,其评价方法采用归一化均方误差、峰值信噪比或交叉熵中的一种。