1.一种图像识别方法，包括：

获取经过训练的图像分类模型，以及获取采集到的输入图像；

采用所述图像分类模型对输入图像进行分类处理，以从至少一个异常标签和各所述异常标签关联的背景标签中，确定所述输入图像的标签；

根据所述输入图像的标签，确定所述输入图像存在所述异常标签指示的异常行为，或者确定所述输入图像存在所述背景标签指示的背景；

其中，所述方法还包括：

查询所述输入图像之前所拍摄的历史图像中展示的历史异常行为；

在所述历史异常行为所属的异常标签，与所述输入图像的标签不匹配的情况下，采用属性识别模型对所述输入图像进行属性识别，以得到至少一个属性的属性值，其中，所述属性用于指示异常行为，所述属性值用于指示存在异常行为的概率；

从所述至少一个属性的属性值中，确定指示所述历史异常行为的目标属性的属性值；

在所述目标属性的属性值小于或等于概率阈值的情况下，执行所述历史异常行为的核销流程。

2.根据权利要求1所述的图像识别方法，其中，所述根据所述输入图像的标签，确定所述输入图像存在所述异常标签指示的异常行为，或者确定所述输入图像存在所述背景标签指示的背景，包括：在所述输入图像的标签为所述异常标签的情况下，确定所述输入图像展示有所述异常标签指示的异常行为；

在所述输入图像的标签为所述背景标签的情况下，确定所述输入图像中展示有所述背景标签指示的背景，且未具有所述背景标签所关联的异常标签所指示的异常行为。

3.根据权利要求1所述的图像识别方法，其中，所述查询所述输入图像之前所拍摄的历史图像中展示的历史异常行为之后，还包括：在所述历史异常行为所属的异常标签，与所述输入图像的标签匹配的情况下，发出继续采集图像的指示信息。

4.根据权利要求1所述的图像识别方法，其中，所述查询所述输入图像之前所拍摄的历史图像中展示的历史异常行为之后，还包括：在所述目标属性的属性值大于概率阈值的情况下，发出继续采集图像的指示信息。

5.一种图像分类模型的训练方法，所述图像分类模型用于执行如权利要求1‑4任一项所述的图像识别方法，所述训练方法包括：获取本轮训练采用的第一样本集合和第二样本集合；

采用所述第一样本集合中的训练样本，对图像分类模型进行训练；

采用所述第二样本集合中的训练样本，对经过训练的所述图像分类模型进行测试，得到所述第二样本集合中各训练样本的预测标签和对应的置信度；

将所述第二样本集合中的目标样本移动至所述第一样本集合中，以得到下一轮训练所采用的第一样本集合和第二样本集合；其中，所述目标样本，包括所述预测标签与标注标签匹配，且置信度大于阈值置信度的训练样本。

6.根据权利要求5所述的模型训练方法，其中，所述本轮训练采用的阈值置信度大于下一轮训练采用的阈值置信度。

7.根据权利要求5所述的模型训练方法，其中，所述采用所述第二样本集合中的训练样本，对经过训练的所述图像分类模型进行测试，得到所述第二样本集合中各训练样本的预测标签和置信度之后，还包括：发送提示信息，其中，所述提示信息，用于对所述第二样本集合中，所述预测标签与标注标签不匹配，且置信度大于阈值置信度的训练样本提示进行人工复核；

响应于用户复核操作，将经过复核的训练样本作为所述目标样本移动至所述第一样本集合中。

8.根据权利要求5‑7任一项所述的模型训练方法，其中，所述方法还包括：将多个候选样本输入所述图像分类模型，以得到各所述候选样本的预测标签；

根据多个所述候选样本的预测标签和标注标签，生成目标矩阵；其中，所述目标矩阵中的元素表征符合行对应的标注标签，且符合列对应的预测标签的候选样本；

从所述目标矩阵中，获取目标元素，其中，所述目标元素为行对应的标注标签与列对应的预测标签不匹配的元素；

根据所述目标元素表征的候选样本，生成首轮训练采用的所述第二样本集合。

9.一种图像识别装置，包括：

获取模块，用于获取经过训练的图像分类模型，以及获取采集到的输入图像；

输入模块，用于采用所述图像分类模型对输入图像进行分类处理，以从至少一个异常标签和各所述异常标签关联的背景标签中，确定所述输入图像的标签；

确定模块，用于根据所述输入图像的标签，确定所述输入图像存在所述异常标签指示的异常行为，或者确定所述输入图像存在所述背景标签指示的背景；

其中，所述装置还包括：

查询模块，用于查询所述输入图像之前所拍摄的历史图像中展示的历史异常行为；

识别模块，用于在所述历史异常行为所属的异常标签，与所述输入图像的标签不匹配的情况下，采用属性识别模型对所述输入图像进行属性识别，以得到至少一个属性的属性值，其中，所述属性用于指示异常行为，所述属性值用于指示存在异常行为的概率；

第三确定模块，用于从所述至少一个属性的属性值中，确定指示所述历史异常行为的目标属性的属性值；

处理模块，用于在所述目标属性的属性值小于或等于概率阈值的情况下，执行所述历史异常行为的核销流程。

10.根据权利要求9所述的图像识别装置，其中，所述确定模块，还用于：在所述输入图像的标签为所述异常标签的情况下，确定所述输入图像展示有所述异常标签指示的异常行为；

在所述输入图像的标签为所述背景标签的情况下，确定所述输入图像中展示有所述背景标签指示的背景，且未具有所述背景标签所关联的异常标签所指示的异常行为。

11.根据权利要求10所述的图像识别装置，其中，所述装置还包括：第一发出模块，用于在所述历史异常行为所属的异常标签，与所述输入图像的标签匹配的情况下，发出继续采集图像的指示信息。

12.根据权利要求10所述的图像识别装置，其中，所述装置还包括：第二发出模块，用于在所述目标属性的属性值大于概率阈值的情况下，发出继续采集图像的指示信息。

13.一种图像分类模型的训练装置，所述图像分类模型用于执行如权利要求1‑5任一项所述的图像识别方法，所述训练装置包括：获取模块，用于获取本轮训练采用的第一样本集合和第二样本集合；

训练模块，用于采用所述第一样本集合中的训练样本，对图像分类模型进行训练；

测试模块，用于采用所述第二样本集合中的训练样本，对经过训练的所述图像分类模型进行测试，得到所述第二样本集合中各训练样本的预测标签和对应的置信度；

第一移动模块，用于将所述第二样本集合中的目标样本移动至所述第一样本集合中，以得到下一轮训练所采用的第一样本集合和第二样本集合；其中，所述目标样本，包括所述预测标签与标注标签匹配，且置信度大于阈值置信度的训练样本。

14.根据权利要求13所述的模型的训练装置，其中，所述本轮训练采用的阈值置信度大于下一轮训练采用的阈值置信度。

15.根据权利要求13所述的模型的训练装置，其中，所述装置，还包括：发送模块，用于发送提示信息，其中，所述提示信息，用于对所述第二样本集合中，所述预测标签与标注标签不匹配，且置信度大于阈值置信度的训练样本提示进行人工复核；

第二移动模块，用于响应于用户复核操作，将经过复核的训练样本作为所述目标样本移动至所述第一样本集合中。

16.根据权利要求13‑15任一项所述的模型的训练装置，其中，所述装置还包括：输入模块，用于将多个候选样本输入所述图像分类模型，以得到各所述候选样本的预测标签；

第一生成模块，用于根据多个所述候选样本的预测标签和标注标签，生成目标矩阵；其中，所述目标矩阵中的元素表征符合行对应的标注标签，且符合列对应的预测标签的候选样本；

获取模块，用于从所述目标矩阵中，获取目标元素，其中，所述目标元素为行对应的标注标签与列对应的预测标签不匹配的元素；

第二生成模块，用于根据所述目标元素表征的候选样本，生成首轮训练采用的所述第二样本集合。

17.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1‑4中任一项所述的图像识别方法，或者，执行权利要求5‑8任一项所述的模型的训练方法。

18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1‑4中任一项所述的图像识别方法，或者，执行权利要求5‑

8任一项所述的模型的训练方法。