1.一种基于三维卷积神经网络的图像特征提取与训练方法，其特征在于，包括如下步骤，步骤1，将进行特征提交的输入图像进行尺寸的归一化处理；

步骤2，构建包括卷积层、激活层、池化层、全连接层和输出层的三维卷积神经网络；

步骤2.1，通过将输入图像中若干张连续的图像堆叠成为一个立体图像的立方体，然后在这个立方体里通过如下三维卷积层对连续的多张图像进行加权求和的卷积操作，以提取图像的初级特征，得到初级特征图；

其中，O是第j层图像对应的第n个特征块的(x,y,z)处的输出，σ为激活函数，是i层图像的m个特征块和是j层图像的n个特征块之间的权重，Iim(x+p,y+q,z+r)是第i层图像到j层图像的输入，bjn为共享的偏置，p,q,r为x,y,z三个方向的采样步长；i和j为相邻两层的序号；

步骤2.2，通过激活层对初级特征图添加非线性特征；

步骤2.3，通过池化层来降低添加非线性特征的初级特征图的维度大小；

步骤2.4，通过全连接层对池化层处理过的初级特征图提取高级特征，得到高级特征图；

步骤2.5，通过输出层中的Softmax分类器将高级特征转化为激活概率，得到三维卷积神经网络的输出，完成三维卷积神经网络的构建；

步骤3，对构建的三维卷积神经网络进行训练后得到优化的三维卷积神经网络，进行对输入图像进行特征提取，完成输入图像的分类识别。

2.根据权利要求1所述的一种基于三维卷积神经网络的图像特征提取与训练方法，其特征在于，对输入图像依次进行步骤2.1到2.3的多次堆叠，执行多次堆叠时，卷积层的核心数逐次增加。

3.根据权利要求1所述的一种基于三维卷积神经网络的图像特征提取与训练方法，其特征在于，步骤2.2中，通过在激活层中采用如下的ReLU激活函数对初级特征图添加非线性特征；

f(x)＝max(0,x)

其中，x为函数的输入，f(x)为函数输出；将输入大于0的特征保持，小于0的特征忽略。

4.根据权利要求1所述的一种基于三维卷积神经网络的图像特征提取与训练方法，其特征在于，步骤2.3中，采用如下最大池化的方法来来降低特征的维度大小；

其中，I为池化层的输入，O为池化输出，p,q,r为x,y,z三个方向的采样步长，S1,S2,S3为池化的范围，i,j,k在此范围内变动。

5.根据权利要求1所述的一种基于三维卷积神经网络的图像特征提取与训练方法，其特征在于，步骤2.5中，所述的Softmax分类器如下，其中，xi表示向量x中的第i个元素，这个元素的Softmax值就是Si。

6.根据权利要求1所述的一种基于三维卷积神经网络的图像特征提取与训练方法，其特征在于，步骤3中，在训练三维卷积神经网络模型的时候，采取有组织的学习方法，即一次输入一小批量样本进行训练时，这一小批样本在选取时遵循以下规则：对每类样本按样本数量的比例进行采样，保证样本数较小的类别每次都能参与训练。

7.根据权利要求1或6所述的一种基于三维卷积神经网络的图像特征提取与训练方法，其特征在于，在进行模型训练的过程中，利用如下的损失函数来估计梯度，实现三维卷积神经网络的优化；

其中，L为损失函数，n是测试集中样本数量， 是sofmax层输出的对样本i预测概率，yi是待分类数据的实际标签；m为小批量样本数，小批量样本为{x(1),x(2),…,x(m)}，g为梯度的估计值，θ为需要学习的参数集；‖‖1为L1正则化，λ为正则化系数，决定着W的稀疏程度，W为最后一层池化层到全连接层的权值。