1.一种基于DCGAN和GCN的多标签识别算法，其特征是，包括：

基于GAN模型构建DCGAN模型，基于DCGAN模型生成相似图像；

基于DCGAN模型生成相似图像，使用基于迁移的CNN算法提取特征，将DCGAN模型的神经网络的参数迁移到CNN算法中对多标签图像进行特征提取，利用GCN算法通过训练标签之间的关系图生成类别标签分类器；

基于GCN算法的生成类别标签分类器，对多标签图像分类识别，将CNN算法提取的特征与GCN算法生成的类别分类器中的语义特征向量矩阵做点乘后，用多标签分类器对图像进行识别；

所述基于迁移的CNN算法提取特征，包括将DCGAN算法中生成器的神经网络的参数迁移到CNN算法中对新合并的训练集中的多标签图像进行特征提取，利用算法在输入训练集计算损失函数后的反向传播实现网络的微调；

采用DCGAN生成图像时预训练的生成器对应的残差网络作为提取特征的CNN算法，采用全局最大池化来获取图像的特征；

经过CNN算法提取特征后，与GCN网络训练得到的输出矩阵进行点乘后得到用于分类的向量，使用交叉熵损失函数进行多分类。

2.如权利要求1所述的一种基于DCGAN和GCN的多标签识别算法，其特征是，所述基于DCGAN模型生成相似图像，包括通过DCGAN模型生成相似图片增加数据集的训练数据；将DCGAN模型中生成的数据与原数据集中的数据混合成新的数据集。

3.如权利要求1所述的一种基于DCGAN和GCN的多标签识别算法，其特征是，输入训练集中所有的标签个数，通过GCN学习到各个类别标签之间的关联性，采用互相关矩阵来初始邻接矩阵训练学习到的标签之间的概率。

4.如权利要求1所述的一种基于DCGAN和GCN的多标签识别算法，其特征是，以条件概率的形式对标签之间的相关依赖性进行建模，并构建相关系数矩阵。

5.一种基于DCGAN和GCN的多标签识别系统，基于服务器实现，其特征是，所述服务器包括：图片生成模块，被配置为基于DCGAN模型生成相似图像；

特征提取模块，被配置为基于DCGAN模型生成相似图像，使用基于迁移的CNN算法提取特征，将DCGAN模型的神经网络的参数迁移到CNN算法中对多标签图像进行特征提取，利用GCN算法通过训练标签之间的关系图生成类别标签分类器；

图像识别模块，被配置为基于GCN算法的生成类别标签分类器，对多标签图像分类识别，将CNN算法提取的特征与GCN算法生成的类别分类器中的语义特征向量矩阵做点乘后，用多标签分类器对图像进行识别；

所述基于迁移的CNN算法提取特征，包括将DCGAN算法中生成器的神经网络的参数迁移到CNN算法中对新合并的训练集中的多标签图像进行特征提取，利用算法在输入训练集计算损失函数后的反向传播实现网络的微调；

采用DCGAN生成图像时预训练的生成器对应的残差网络作为提取特征的CNN算法，采用全局最大池化来获取图像的特征；

经过CNN算法提取特征后，与GCN网络训练得到的输出矩阵进行点乘后得到用于分类的向量，使用交叉熵损失函数进行多分类。

6.一种计算机可读存储介质，其中存储有多条指令，其特征是，所述指令适于由终端设备的处理器加载并执行权利要求1‑4任一所述的一种基于DCGAN和GCN的多标签识别算法。

7.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征是，所述指令适于由处理器加载并执行权利要求

1‑4任一所述的一种基于DCGAN和GCN的多标签识别算法。