1.一种基于深度迁移聚类学习的深海动物新物种识别方法，其特征在于，包括以下步骤：拍摄深海动物照片并进行预处理，得到预处理后的图片；

构建已知类别分类网络和未知类别分类网络，训练网络并学习新物种特征，得到深度迁移聚类学习模型；

基于深度迁移聚类学习模型对预处理后的图片进行物种识别；

所述构建已知类别分类网络和未知类别分类网络，训练网络并学习新物种特征，得到深度迁移聚类学习模型这一步骤，其具体包括：基于VGG16构建已知类别分类网络并进行训练，得到训练完成的已知类别分类网络；

基于VGG16构建未知类别分类网络并进行训练，促进网络自主学习新物种的特征，得到训练完成的未知类别分类网络；

整合训练完成的已知类别分类网络和训练完成的未知类别分类网络，得到深度迁移聚类学习模型；

所述未知类别分类网络的训练步骤如下：

基于预处理后的图片构建目标数据集并将目标数据集输入至未知类别网络；

以已知类别分类网络的特征提取器对目标数据集进行特征提取，得到第二编码向量矩阵；

基于主成分分析降维层对第二编码向量矩阵进行降维，得到降维后的第二编码向量矩阵；

基于K均值聚类算法对降维后的第二编码向量矩阵进行聚类，得到第二聚类中心集合；

基于贝叶斯准则，构建目标概率分布矩阵；

以最小化样本被分配到第二聚类中心集合的概率分布矩阵和目标分布矩阵交叉熵损失为目标，通过随机梯度下降反向传播调整未知类别分类网络的参数，得到训练完成的未知类别分类网络；

未知类别分类网络的参数包括特征提取器的网络参数、PCA主成分分析降维层的参数和kmeans聚类中心集合；

所述基于深度迁移聚类学习模型对预处理后的图片进行物种识别这一步骤，其具体包括：从预处理后的图片中选一张目标图片分别输入至深度迁移聚类学习模型中的已知类别分类网络和未知类别分类网络；

基于未知类别分类网络输出第一分类标签；

基于已知类别分类网络输出第二分类标签；

检索训练数据集中第二分类标签所对应的深海动物照片，得到检索图片；

将检索图片输入至未知类别分类网络，得到检索标签；

判断到检索标签与第一分类标签相同，认定该目标图片中的深海动物不属于新物种；

判断到检索标签与第一分类标签不相同，认定该目标图片中的深海动物属于新物种。

2.根据权利要求1所述一种基于深度迁移聚类学习的深海动物新物种识别方法，其特征在于，所述拍摄深海动物照片并进行预处理，得到预处理后的图片这一步骤，其具体包括：基于无人遥控潜水器拍摄深海动物照片；

根据预设尺寸对深海动物照片进行裁剪处理，得到裁剪后的图片；

对裁剪后的图片进行数据增强，得到预处理后的图片。

3.根据权利要求2所述一种基于深度迁移聚类学习的深海动物新物种识别方法，其特征在于，所述已知类别分类网络的训练步骤如下：获取带有类别标记的训练数据集并将训练数据集输入至已知类别分类网络；

基于已知类别分类网络的特征提取器输出第一编码向量矩阵；

基于主成分分析降维层对第一编码向量矩阵进行降维，得到降维后的第一编码向量矩阵；

基于K均值聚类算法对降维后的第一编码向量矩阵进行聚类，得到第一聚类中心集合；

将训练数据集中的类别标签进行独热编码，得到目标分布矩阵；

以最小化样本被分配到第一聚类中心集合的概率分布矩阵和目标分布矩阵交叉熵损失为目标，通过随机梯度下降反向传播调整已知类别分类网络的参数，得到训练完成的已知类别分类网络。

4.根据权利要求3所述一种基于深度迁移聚类学习的深海动物新物种识别方法，其特征在于，所述样本被分配到第一聚类中心集合的概率分布矩阵的表达式如下：

2 ‑1

P＝(t+||za‑Ub||)

上式中，P表示每个样本被分配到Ub中每个聚类中心的概率分布矩阵，Ub表示聚类中心集合，za表示降维后的编码向量矩阵。

5.一种基于深度迁移聚类学习的深海动物新物种识别系统，其特征在于，包括：拍摄模块，用于拍摄深海动物照片并进行预处理，得到预处理后的图片；

模型构建模块，用于构建已知类别分类网络和未知类别分类网络，训练网络并学习新物种特征，得到深度迁移聚类学习模型；

识别模块，基于深度迁移聚类学习模型对预处理后的图片进行物种识别；

所述构建已知类别分类网络和未知类别分类网络，训练网络并学习新物种特征，得到深度迁移聚类学习模型这一步骤，其具体包括：基于VGG16构建已知类别分类网络并进行训练，得到训练完成的已知类别分类网络；

基于VGG16构建未知类别分类网络并进行训练，促进网络自主学习新物种的特征，得到训练完成的未知类别分类网络；

整合训练完成的已知类别分类网络和训练完成的未知类别分类网络，得到深度迁移聚类学习模型；

所述未知类别分类网络的训练步骤如下：

基于预处理后的图片构建目标数据集并将目标数据集输入至未知类别网络；

以已知类别分类网络的特征提取器对目标数据集进行特征提取，得到第二编码向量矩阵；

基于主成分分析降维层对第二编码向量矩阵进行降维，得到降维后的第二编码向量矩阵；

基于K均值聚类算法对降维后的第二编码向量矩阵进行聚类，得到第二聚类中心集合；

基于贝叶斯准则，构建目标概率分布矩阵；

以最小化样本被分配到第二聚类中心集合的概率分布矩阵和目标分布矩阵交叉熵损失为目标，通过随机梯度下降反向传播调整未知类别分类网络的参数，得到训练完成的未知类别分类网络；

未知类别分类网络的参数包括特征提取器的网络参数、PCA主成分分析降维层的参数和kmeans聚类中心集合；

所述基于深度迁移聚类学习模型对预处理后的图片进行物种识别这一步骤，其具体包括：从预处理后的图片中选一张目标图片分别输入至深度迁移聚类学习模型中的已知类别分类网络和未知类别分类网络；

基于未知类别分类网络输出第一分类标签；

基于已知类别分类网络输出第二分类标签；

检索训练数据集中第二分类标签所对应的深海动物照片，得到检索图片；

将检索图片输入至未知类别分类网络，得到检索标签；

判断到检索标签与第一分类标签相同，认定该目标图片中的深海动物不属于新物种；

判断到检索标签与第一分类标签不相同，认定该目标图片中的深海动物属于新物种。