1.一种基于空间金字塔的卷积神经网络的图像分类算法，其特征在于，包括以下步骤：步骤1：前向传播，具体实现包括以下子步骤：

步骤1.1：建立带M个卷积层、M-1个池化层的前半部分卷积神经网络；

步骤1.2：将M个卷积层分别进行池化，得到M类特征，然后分别将其连接成一个大的特征向量，最后再连接成一个总的特征向量作为图像的最终特征；

步骤1.3：对最终特征向量进行一次全连接和softmax分类，获得卷积神经网络；

步骤1.4：将整个卷积神经网络的所有权值通过经验公式进行初始化，然后将训练图片x输入初始化后的卷积神经网络，按照前向传播公式进行传播；

步骤2：反向调节。

2.根据权利要求1所述的基于空间金字塔的卷积神经网络的图像分类算法，其特征在于：步骤1.2中，若步骤1.1中建立的是带有3个卷积层、2个池化层的前半部分卷积神经网络，则将3个卷积层分别进行池化，得到3类特征；步骤1.2的具体实现过程如下：输入图片后通过卷积核和隐层偏置获得第一个卷积层的特征图，第一层的卷积特征图x1由如下公式得到；

其中： 表示第1个卷积层的第j张特征图， 表示输入图片经过预处理后x0的第i张图片，n0表示x0图片的张数； 表示第1层的第j个二维卷积核， 表示第1个隐层第j个特征图的偏置；δ表示sigmiod函数，mp表示得到的为特征图；

n1为第一层的卷积核个数，也是第1个卷积特征图的张数；

将获得的卷积层特征图经过2*2的均匀池化进行下采样，得到行列均为原来一半的特征图v1；

v1＝mean-pooling{x1}；

其中，mean-pooling表示均匀池化

则每一个卷积层的特征图都能通过以下公式得到；

每一个池化层的特征图都能通过以下公式得到；

vl＝mean-pooling{xl}；

共计得到3个卷积层的特征图，即x1,x2,x3，然后将3个卷积层的特征图进行画网格的方式进行特征提取；

将第1个卷积层画分为4*4的网格，然后每个网格通过均匀池化提取一个特征，最终第1个卷积层经过特征提取后成为一个4*4的特征图p1；

p1＝mean-pooling(v1)；

同理根据以下公式得到3类特征图p1,p2,p3；

pl＝mean-pooling(vl)；

其中，池化窗口大小和步长随着输入图片大小的改变而改变；p1,p2,p3的大小分别为预设的4*4，2*2，1*1；然后将 按列聚合成大小为16的列向量,p1聚合成16*6＝96的列向量，同理可将p2聚合为大小为2*2*16＝64的列向量，将p3聚合为大小为1*1*120＝120的列向量，最后按序聚合成一个总大小为280的列向量p作为输入图片的特征。

3.根据权利要求1所述的基于空间金字塔的卷积神经网络的图像分类算法，其特征在于，步骤1.4中所述将整个卷积神经网络的所有权值通过经验公式进行初始化，是根据经验公式初始化随机生成输入单元与隐层单元之间的权值wkj和隐层单元的偏置bj，设置b初始值均为0；

其中，w表示权值，l表示卷积网络第l层，j表示卷积神经网络第l卷积层第j个神经元，k表示全连接层第k层，layerinput表示这一层输入神经元个数，layeroutput表示这一层的输出神经元个数；kl是第l个卷积层卷积核的大小，此公式可以令初始化的权值在-1到1之间。

4.根据权利要求2所述的基于空间金字塔的卷积神经网络的图像分类算法，其特征在于：步骤1.4中，输入训练图像x及其标签，利用如下前向传导公式计算每层输出值；

hw,b(x)＝f(wTx+b)

T

其中，h(w,b)(x)表示神经元输出值，w表示权值的转置，b表示偏置，f表示激活函数。

5.根据权利要求1-4任意一项所述的基于空间金字塔的卷积神经网络的图像分类算法，其特征在于：步骤1.4中，每一张输入的图片表示为x，输入卷积神经网络的图像表示为x0；当输入的图片为灰度图片时，x0＝x；当输入图片为彩色图片时，通过以下公式灰度化，x0＝rgb2gray(x)。

6.根据权利要求4所述的基于空间金字塔的卷积神经网络的图像分类算法，其特征在于，步骤2的具体实现包括以下子步骤：步骤2.1：通过如下公式根据标签值和利用前向传导公式计算得到的最后一层输出值计算出最后一层偏差；

其中，Jl为l层的损失函数， 为输出层神经元输出值，hw,b(x(i))为第i张图片的输出值，y(i)表示第i张输入图片的标签。

步骤2.2：根据最后一层偏差计算各层偏差，从而求得梯度方向，根据如下公式更新权值：

7.根据权利要求6所述的基于空间金字塔的卷积神经网络的图像分类算法，其特征在于：在反向调节过程中调节卷积层x1,x2时，有两个方向传来的梯度，本算法通过将两个方向的梯度相加来进行调节。