1.一种基于屏幕监控的软件识别方法，其特征在于：步骤S1：利用Leaders聚类的算法对数据集进行预处理，接着进行抽样操作，抽取若干个样本子集，对样本子集进行核K‑means聚类操作，最后通过计算各个样本子集间的均值距离整合聚类结果确定anchor的初始位置在送入YOLOv3模型中进行目标检测；

步骤S2：引入用来搭建具有稀疏性网络的inception结构，使得具有参数完整连接的网络层变成具有稀疏性的网络层，在减少训练参数数量的同时加宽网络的宽度；

步骤S3：通过对YOLOv3模型的多尺度融合操作进行改进，考虑特征提取网络更加浅层的目标信息，提高网络对小目标的敏感程度。

2.根据权利要求1所述的一种基于屏幕监控的应用程序识别方法，其特征在于：所述步骤S1包括：首先采用Leaders聚类方法对待聚类特征点进行初始聚类，得到初始的聚类中心；接着根据初始聚类中心多次抽样得到样本子集，对每个子样本集进行核K‑means聚类；

最后对各子样本集聚类结果进行整合，从而在合理控制抽样数据规模的同时增强初始聚类设置对原始类别的覆盖，使其近似核函数的计算更加合理。

3.根据权利要求2所述的一种基于屏幕监控的应用程序识别方法，其特征在于：所述步骤S2包括：利用inception结构加宽了网络的宽度，增加5×5大小的感受野，更改YOLOv3模型多尺度操作时的输入，使最终输出的结果更加精确，提高网络性能。

4.根据权利要求3所述的一种基于屏幕监控的应用程序识别方法，其特征在于：所述步骤S3包括：在原本的YOLOv3模型的三尺度融合的基础上，再增加一个尺度，将网络提取到的更加浅层的信息加以利用，可以对多尺度目标或小目标的检测精确度有所加强。