1.一种基于深度学习网络的图像分类方法，其特征在于，包括以下步骤：步骤1：首先建立与ResNext网络相同的提取特征部分，根据参数设置，将每个参数相同的卷积块分为一节，并对每节部分进行同样大小卷积块的删减；

步骤2：在建立好网络的每节部分中提取每一部分网络得到的特征图，处理后获得最后的特征列向量；

步骤3：将最后的特征列向量与softmax分类器进行全连接，使整个网络完整；

步骤4：将已知数据库输入到整个网络中，运用梯度下降法进行调节，当训练精度和验证精度到预设程度后，保存调节好后的权值；

步骤5：将网络运用到新数据库时，用保存好的权值进行迁移学习。

2.根据权利要求1所述的基于深度学习网络的图像分类方法，其特征在于，步骤2的具体实现包括以下子步骤：步骤2.1：将每一部分获得的特征图进行均匀池化，一共有N节部分时，第一部分池化后特征图大小为2(N-1)*2(N-1)，第二部分池化后特征图大小为2(N-2)*2(N-2)，以此类推，最后一部分池化后特征图大小为2(N-N)*2(N-N)；

步骤2.2：将每一部分的每一张特征图转化为列向量排列，然后整个部分顺序连接为列向量，最后将每个列向量顺利连接为最后的特征列向量。

3.根据权利要求1所述的基于深度学习网络的图像分类方法，其特征在于，步骤5的具体实现过程是：将保持好的权值对网络进行权值初始化，然后运用梯度下降法调节网络。