1.一种基于注意力神经网络的小样本学习图像识别方法，其特征在于，所述方法包括如下步骤：步骤S1：将样本图片经过神经网络处理，得到该图片的特征向量；

步骤S2：将同一类别图片的特征向量经过注意力网络处理，得到图片的特征注意力向量；

步骤S3：将特征注意力向量与特征向量相乘得到注意力修正后的特征向量；

步骤S4：将注意力修正后的特征向量求平均值得到同一类别的特征向量；

步骤S5：将待处理的图片经过神经网络处理，得到待处理图片的特征向量；

步骤S6：将待处理图片的特征向量与同一类别的特征向量进行距离远近的对比，得到待处理图片的所属类别。

2.根据权利要求1所述的一种基于注意力神经网络的小样本学习图像识别方法，其特征在于，所述步骤S2包括如下分步骤：步骤S21：对同一类别图片的特征向量进行重塑处理，得到重塑后图片的特征向量；

步骤S22：将重塑后图片的特征向量进行卷积处理，得到卷积后的特征值；

步骤S23：将卷积后的特征值进行Relu函数处理，得到Relu函数处理后的特征值；

步骤S24：将Relu函数处理后的特征值进行标准化处理，得到标准化后的特征值；

步骤S25：将标准化后的特征值进行转置卷积处理，得到转置卷积后的特征值；

步骤S26：将转置卷积后的特征值进行Sigmoid函数处理，得到图片的特征注意力向量。

3.根据权利要求2所述的一种基于注意力神经网络的小样本学习图像识别方法，其特征在于，所述步骤S22中卷积处理的运算公式为：式中，f(i1，j1)1为重塑后图片的特征向量，i1∈[0，m1-1]，j1∈[0，n1-1]，m1表示为重塑后图片的特征向量的行数，n1表示为重塑后图片的特征向量矩阵的列数，f(u1，v1)1表示特征值函数的第u1行第v1列的元素；g(i1，j1)1为卷积函数，p1表式卷积函数矩阵的行数，q1表示卷积函数矩阵的列数，i1∈[0，p1-1]，j1∈[0，q1-1]；h(i1，f1)1为卷积后的函数第i1行第j1列的元素，i1∈[0，m1+p1-1]，j1∈[0，n1+q1-1]。

4.根据权利要求2所述的一种基于注意力神经网络的小样本学习图像识别方法，其特征在于，所述步骤S23的Relu函数公式为：f(x)＝max(0，x)

式中，x为待处理的特征值，f(x)为Relu函数处理后的特征值。

5.根据权利要求2所述的一种基于注意力神经网络的小样本学习图像识别方法，其特征在于，所述步骤S24标准化处理的公式为：x*＝(x-μ)/σ

式中，x为待处理特征值，x*为标准化处理后的特征值，μ为特征值的平均值，σ为特征值的标准差。

6.根据权利要求2所述的一种基于注意力神经网络的小样本学习图像识别方法，其特征在于，所述步骤S25包括如下分步骤：步骤S251：初始化标准化后的特征值，得到初始化后的特征向量；

步骤S252：对初始化后的特征向量进行卷积处理，得到转置卷积后的特征值，其卷积公式为：式中，f(i2，j2)2为初始化后的特征向量，i2∈[0，m1-1]，j2∈[0，n1-1]，m2表示为初始化后的特征向量的行数，n2表示为初始化后的特征向量矩阵的列数，f(u2，v2)2表示初始化后的特征向量的第u2行第v2列的元素；g(i2，j2)2为卷积函数，p2表式卷积函数矩阵的行数，q2表示卷积函数矩阵的列数，i2∈[0，p2-1]，j1∈[0，q2-1]；h(i2，f2)2为卷积后的函数第i2行第j2列的元素，i2∈[0，m2+p2-1]，j2∈[0，n2+q2-1]。

7.根据权利要求2所述的一种基于注意力神经网络的小样本学习图像识别方法，其特征在于，所述步骤S26的Sigmoid函数的公式为：式中，x为待处理特征值，S(x)为Sigmoid函数处理后的特征值。