1.用于输出MR图像特征点描述向量符的模型的建立方法，其特征在于，包括以下步骤：步骤1：构建基础卷积神经网络，使用ImageNet图像库中不同类别的大量图像训练基础神经网络，得到分类模型；

步骤2、从MR图像库中查找符合查询标准Q的MR图像，将符合查询标准Q的MR图像按照预设类别进行分类，并在MR图像上标记类别，将标记后的MR图像加入到MR训练图像库中；

步骤3、从MR训练图像库中选取图像并将图像输入分类模型，利用分类模型对图像进行分类处理，得到图像属于预设类别中某一类别的概率并输出概率值；

步骤4、将上一步得到的概率值输入损失函数中，利用损失函数计算损失值，损失值用于判断分类模型的分类准确率，若损失值大于或等于预设阈值，将损失值向后传播到优化器，优化器根据损失值自动更新分类模型的参数，并重复步骤2-4，若计算得到的损失值小于预设阈值,则转入下一步骤；

步骤5、改变分类模型的全连接层的输出方式，改变后的全连接层用于输出输入的图像的特征描述向量，模型建立完成。

2.根据权利要求1所述的用于输出MR图像特征点描述向量符的模型的建立方法，其特征在于，所述查询标准Q为：设定候选项图像为Ci，将Ci分解为m个图像块，即 将Ci输入

分类模型，分类模型对Ci分类后得到的图像分类概率为Y，将m个图像块分别输入分类模型，分类模型对每个图像块分类后得到每个图像块对应的图像块分类概率，判断每一个图像块的图像块分类概率是否大于Y，设其中j个图像块的图像块分类概率大于Y，n个图像块的图像块分类概率小于Y，若j＞n,则将图像块分类概率大于Y的m个图像块选出，若j＜n,则将图像块分类概率小于Y的n个图像块选出，设选出的图像块集合为U，分别计算U中每一个图像块的熵值，图像块 的熵为

其中， 为图像块 的图像块分类概率，将U中

每一个图像块的熵值加和，得到熵总值；将集合U中的图像块两两组合分别计算多样性数值，图像块 和 的多样性计算公式为：

共计算得到k个多样性数值,将k个多样性数值加和，得到多样性总值，判断是否熵总值大于第一预设阈值且多样性总值大于第二预设阈值，则判定候选项图像Ci符合查询标准Q，若否，则判定候选项图像Ci不符合查询标准Q。

3.用于输出MR图像特征点描述向量符的模型，其特征在于，为分类模型由MR训练图像库训练后得到，所述分类模型为基础卷积神经网络由ImageNet图像库训练后得到，所述MR训练图像库的建立方法为：从MR图像库中查找符合查询标准Q的MR图像，将符合查询标准Q的MR图像按照预设类别进行分类，并在MR图像上标记类别，将标记后的MR图像加入到MR训练图像库中。

4.根据权利要求3所述的用于输出MR图像特征点描述向量符的模型，其特征在于，所述查询标准Q为：设定候选项图像为Ci，将Ci分解为m个图像块，即 将Ci输入

分类模型，分类模型对Ci分类后得到的图像分类概率为Y，将m个图像块分别输入分类模型，分类模型对每个图像块分类后得到每个图像块对应的图像块分类概率，判断每一个图像块的图像块分类概率是否大于Y，设其中j个图像块的图像块分类概率大于Y，n个图像块的图像块分类概率小于Y，若j＞n,则将图像块分类概率大于Y的m个图像块选出，若j＜n,则将图像块分类概率小于Y的n个图像块选出，设选出的图像块集合为U，分别计算U中每一个图像块的熵值，图像块 的熵为

其中， 为图像块 的图像块分类概率，将U中

每一个图像块的熵值加和，得到熵总值；将集合U中的图像块两两组合分别计算多样性数值，图像块 和 的多样性计算公式为：

共计算得到k个多样性数值,将k个多样性数值加和，得到多样性总值，判断是否熵总值大于第一预设阈值且多样性总值大于第二预设阈值，则判定候选项图像Ci符合查询标准Q，若否，则判定候选项图像Ci不符合查询标准Q。