1.基于自监督学习的图像分类方法，其特征是，包括：

获取待分类的无标签图像；对所有待分类的无标签图像进行预处理；

对预处理后的每一个无标签图像进行特征提取；每一个无标签图像均得到与之对应的特征；

从所有待分类的无标签图像中划分出一部分作为训练集；

对训练集中所有无标签图像的特征进行聚类处理，根据聚类结果确定每个特征所对应的类别，并对每个类别中的所有特征均打上对应的伪标签；特征的伪标签即为特征所对应无标签图像的伪标签；

基于训练集中每一个无标签图像所提取的特征和每一个无标签图像的伪标签，对预训练的神经网络进行再训练；得到再训练后的神经网络；

将所有待分类的无标签图像的特征均输入到优化训练后的神经网络中，输出每一个待分类的无标签图像的伪标签。

2.如权利要求1所述的方法，其特征是，对所有待分类的无标签图像进行预处理；具体步骤包括：采用Otsu阈值分割法对所有待分类的无标签图像进行分割，将每一个待分类的无标签图像分割为背景图像和目标图像。

3.如权利要求2所述的方法，其特征是，所述采用Otsu阈值分割法对所有待分类的无标签图像进行分割，将每一个待分类的无标签图像分割为背景图像和目标图像；具体步骤包括：将彩色图像转换为灰度图像；

将灰度图像进行二值化处理，得到分割后的目标图像。

4.如权利要求1所述的方法，其特征是，对预处理后的每一个无标签图像进行特征提取；是指：对预处理后的每一个无标签图像，利用卷积受限玻尔兹曼机CRBM模型进行特征提取。

5.如权利要求2所述的方法，其特征是，对训练集中所有无标签图像的特征进行聚类处理，是指：选用模糊C均值算法FCM，对训练集中所有无标签图像的特征进行聚类处理。

6.如权利要求1所述的方法，其特征是，所述对每个类别中的所有特征均打上对应的伪标签，是指：每一个特征的类别归属于自身隶属度与聚类中心最近的聚类中心所对应的类别。

7.如权利要求1所述的方法，其特征是，预训练的神经网络，是指预训练的神经网络VGG16，预训练的神经网络的训练步骤包括：将已知图像类别的ImageNet数据集，输入到神经网络VGG16中，对神经网络VGG16进行训练，得到预训练后的神经网络VGG16。

8.基于自监督学习的图像分类系统，其特征是，包括：

预处理模块，其被配置为：获取待分类的无标签图像；对所有待分类的无标签图像进行预处理；

特征提取模块，其被配置为：对预处理后的每一个无标签图像进行特征提取；每一个无标签图像均得到与之对应的特征；

训练集划分模块，其被配置为：从所有待分类的无标签图像中划分出一部分作为训练集；

聚类处理模块，其被配置为：对训练集中所有无标签图像的特征进行聚类处理，根据聚类结果确定每个特征所对应的类别，并对每个类别中的所有特征均打上对应的伪标签；特征的伪标签即为特征所对应无标签图像的伪标签；

训练模块，其被配置为：基于训练集中每一个无标签图像所提取的特征和每一个无标签图像的伪标签，对预训练的神经网络进行再训练；得到再训练后的神经网络；

分类模块，其被配置为：将所有待分类的无标签图像的特征均输入到优化训练后的神经网络中，输出每一个待分类的无标签图像的伪标签。

9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。