1.一种基于多个潜在域混合的域泛化图像分类方法，其特征在于，按照以下步骤具体实施：步骤1，获取领域泛化数据集，包括源域数据集和目标域数据集，进行数据增强和数据集扩充，具体过程是：所述的源域数据集服从某种分布，类别标签为，为样本数目，即；

所述的目标域数据集服从分布，类别标签为，即；

将源域数据集、目标域数据集分批次输入到随机数据增广网络中，随机数据增广网络对源域数据集和目标域数据集的样本实施旋转、裁剪和加入高斯白噪声变换后，恢复至原始输入大小，形成新的样本，重新加入至源域数据集中，实现数据集扩充；

步骤2，构建AlexNet网络，加载预训练权重，同时将源域数据集数据输入AlexNet网络中，对AlexNet网络进行对抗式训练；

步骤3，提取AlexNet网络的浅层特征，获得卷积特征统计信息，并计算域判别特征；

步骤4，通过标准聚类算法K-means将卷积特征统计信息进行聚类，分为若干个簇，并根据簇为数据分配伪域标签；同时，随着网络训练过程对伪域标签进行更新；

步骤5，将聚类算法输出的伪域标签输入给领域判别器，完成领域判别器的训练，同时完成整体图像的分类网络的训练，将未参与训练的目标域数据作为测试集输入给分类网络，最终得到分类结果。

2.根据权利要求1所述的基于多个潜在域混合的域泛化图像分类方法，其特征在于，步骤2中，具体过程是：所述的AlexNet网络的结构是，由一个输入层、五个卷积层、两个全连接层和一个输出层构成；每个卷积层后接一种非线性激活函数，在每个非线性激活函数后面再接一层最大池化层；在最后一个最大池化层后接一个全连接层，紧接着再加一个全连接层，随后在最后一个全连接层后加设一个Softmax函数，对AlexNet网络的训练过程为：

2.1）搭建好AlexNet网络的架构，加载预训练模型，然后从源域中抽取一个批次数据，输入给AlexNet网络中；

2.2）AlexNet网络对输入数据进行卷积、池化操作，同时计算损失函数、计算梯度，对AlexNet网络的分类误差进行反向传播，迭代更新AlexNet网络的参数，完成AlexNet网络的训练，AlexNet网络的操作，包括三个损失函数的计算，即分类损失对抗性学习中域判别器的对抗性损失、熵损失，计算式分别如下：a）分类损失的计算式为：

(1)

其中，为特征提取器，为分类器，表示输入的样本数量，表示数据样本的标签集合，表示第个样本的标签；

b）对抗性损失的计算式为：

(2)

其中，为领域判别器，表示伪域，表示已知数量的域，表示第个域，表示伪域标签；

c）熵损失的计算式为：

(3)

其中代表交叉熵损失函数；

到此，得到两个最终的优化函数，表达式如下：(4)

(5)。

3.根据权利要求1所述的基于多个潜在域混合的域泛化图像分类方法，其特征在于，步骤3中，具体过程为：

3.1）将源域数据集的样本，并使用AlexNet网络作为特征提取器，提取得到的浅层特征称为卷积特征统计信息；

3.2）将所提取的卷积特征统计信息用于计算风格损失，为每个通道跨空间维度独立计算均值和标准差，计算式分别为：(6)

(7)

其中，分别表示特征向量的高和宽，表示特征向量的通道，为输入的数据样本；

3.3）计算出均值和标准差以后，为了组合从不同卷积层获得的多尺度风格特征，将均值和标准差的堆栈定义为域判别特征，域判别特征的计算式为：(8)

其中表示式(5)中均值的计算，表示式(6)中的标准差计算，表示映射函数MMD。

4.根据权利要求1所述的基于多个潜在域混合的域泛化图像分类方法，其特征在于，步骤4中，具体过程是：

4.1）得到域判别特征后，通过K-means算法进行聚类分析，首先计算源域数据样本的聚类中心，其次使得每个聚类集合中的样本点与聚类中心的距离平方和最小，反复迭代更新聚类中心；直到聚类中心不再发生变化，或是达到一定的迭代次数时，认为K-means算法已经收敛，K-means算法的目标函数为：

(9)

其中，为给定源域数据集中的每个数据样本，表示聚类集合中的一个子集，是集合的中心点，也就是聚类中心；

4.2）根据K-means算法所得到的聚类中心，将多个潜在混合的源域数据集的数据划分为个簇，并利用簇分配作为伪域标签，将聚类的簇分配结果转为伪域标签的过程进行反复迭代，进行更新，更新过程所需的目标函数的表达式为：(10)

其中，为第个聚类集合，表示一个epoch之前的伪域标签，表示第个聚类集合的聚类中心，表示Kuhn-Munkres算法。

5.根据权利要求1所述的基于多个潜在域混合的域泛化图像分类方法，其特征在于，步骤5中，具体过程是：

5.1）将步骤4输出的伪域标签输入给领域判别器，结合之前特征提取器所提取的领域不变特征，完成领域判别器的训练，具体的损失函数定义如式(2)所示；

5.2）完成本发明方法所述的图像的分类网络的训练，将未参与训练的目标域数据作为测试集输入给分类网络，最终得到分类结果。