1.一种基于多尺度特征卷积神经网络的目标定位方法，其特征在于，步骤如下：步骤1、将任意大小的单尺度图像I输入卷积神经网络ConNet，利用特征金字塔模型以及梯度类平均映射Grad‑CAM算法，计算分类的交叉熵误差Lcross‑entrop,计算相对应的引导反向传播梯度 卷积神经网络ConNet每一层输出为{C2,C3,...,Cl}，通过主干卷积c

网络计算预测类别c，针对类别的得分为y ，输入图像I的大小w*h；其多层特征图与输出相对应为{F2,F3,...,Fl}；

步骤2、计算每一层的重要性权重 在多层特征图上计算像素级空间强度并利用ReLU激活函数

网络计算预测输出类别c，求出每一个类别c的得分相对于所有特征层的梯度得分，即c k

输出y 对于卷积层l的特征图Fl的偏导 将偏导信息进行全局平均池化操作处理得到其中，每个特征图的对应子块k对应的池化范围为i,j，可知：对每个层级下的不同特征图，其对应是{m,n,k}，即单个特征的长宽和通道数；经过激活函数ReLU层，

获得当前梯度金字塔每层的梯度特征图步骤3、针对每层梯度金字塔，进行上采样和横向连接操作，求出叠加后的像素级空间强度，即 具体为：

在每个梯度特征图 进行两步操作：首先，将其上采样为两倍，使其与下一层梯度图形状相同；之后与下一层梯度特征图 进行横向连接增强浅层特征强度与深层特征强度进行融合；每层之间的操作为：

其中， 表示上采样函数，图像内插值方法；

对于最底部的梯度特征图输出，得到：其中，L表示网络层数；

最高层特征图相对于底层特征图拥有更大的权重，因为高层特征图的语义信息更加集中，能够捕捉更多的视觉结构；图层间横向连接，梯度强度逐级增强；

步骤4、针对叠加后的 在计算热力图后，计算全局峰值γ，以缩放因子σ进行缩放，作为局部最大阈值；对每个热力图应用最大滤波器和最小滤波器，对应计算最大均值滤波后的 和最小均值滤波后的 并计算差分热力图，将差异不变像素点置0，以获得具有局部最大质心的可能区域；

步骤5、经过多次膨胀，生成多个候选点，找出最佳质心，然后利用缩放后的全局峰值进行梯减；

步骤6、围绕梯减后的最大边界，选出最大矩形框的坐标[xmin,ymin,xmax,ymax]；输出所有图像的目标预测类别Dclass和坐标合集Dloc。

2.根据权利要求1所述的目标定位方法，其特征在于，所述步骤1中，特征金字塔模型中金字塔结构主要包括两个方面：第一方面在前馈计算上的自下而上的路径，计算由尺度步长为2的多尺度特征映射组成的特征层级，同时，选择每个阶段的最后一层的输出作为特征映射参考集；对于ResNet网络，使用每个阶段的残差输出的特征激活；对于不同卷积层，残差块的输出为{C2,C3,...,Cl}，步长分别为{S2,S3,...,Sl}个像素；第二方面是特征图上的自顶向下的路径和特征层间的横向连接；高层特征相对粗糙但是语义信息更强，通过自顶向下的路径和横向连接增强特征映射，进行更精确的定位；在空间分辨率上上采样为2倍，然后通过元素相加将上采样信息与当前层信息合并；迭代完成这个过程，直至金字塔构建；

特征映射集为{P2,P3,...,Pl},对应于{C2,C3,...,Cl}，分别具有相同的大小。