1.一种基于自适应动态卷积网络的图像分类识别方法，所述方法包括：获取待测图像，将所述待测图像输入到预处理块进行预处理操作，得到待测图像的参数信息和浅层特征图；

将待测图像的参数信息与原待测图像进行结合得到带有特征标注的图像数据；

将图像数据输入到主干网络的自适应动态卷积网络中，按照对应的参数信息选择对应形状的卷积核，并经过多层的卷积操作后得到语义丰富的全局特征；

将所述浅层特征图输入到分支网络中，提取出待测图像的局部特征；

将所述局部特征与所述全局特征进行特征融合，并将融合特征输入到分类网络中，输出待测图像的分类识别信息。

2.根据权利要求1所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征在于，所述预处理块包括浅层特征提取块和一个多任务分类器：所述浅层特征提取块用于提取出待测图像的浅层特征，所述浅层特征包括待测图像的参数信息也即纹理、形状和边缘信息，所述多任务分类器根据所述参数信息，将待测图像初步分类为不同形状的图像，并得到一个图形概率的标签信息即标签概率信息，记为li(i＝1,2,3,4)，依次代表圆形，椭圆形，正方形，长方形。

3.根据权利要求2所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征在于，所述将待测图像的参数信息与原待测图像进行结合得到带有特征标注的图像数据包括将所述标签概率信息加入到原待测图像的文本标签中，使原待测图像带有形状信息，该形状信息表示为该图像的纹理，边缘，形状中因素占比最多的形状，即为圆形、椭圆形、正方形或长方形。

4.根据权利要求1所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征在于，所述自适应动态卷积网络包括多组动态卷积块组成，而每组动态卷积块由一组不同形状的卷积核并行组成，包含圆形卷积核，椭圆形卷积核，正方形卷积核和长方形卷积核；

为每种形状的卷积核标注有不同的参数mu(u＝1,2,3,4)，根据待测图像的参数信息匹配选择出对应标注的参数信息的卷积核，即当li＝mu，选择对应形状的卷积核进行卷积操作，li(i＝1,2,3,4)，依次代表圆形，椭圆形，正方形，长方形。

5.根据权利要求3所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征在于，所述圆形卷积核由正方形卷积经过双线性差值得到，将大小为N×N的正方形卷积核2

抽象为N个格点，以正方形卷积核的中心点为圆卷积核中心并建立坐标系，以中心点至一边点的长度为半径；按照圆形公式确定出圆形卷积核点的位置，即确定出圆形卷积核中45°角所对应的位置的格点，，剩余的格点位置与原方形卷积核相同。

6.根据权利要求3所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征在于，所述椭圆卷积核由长方形卷积核经过双线性差值得到，将大小为N×M的长方形卷积核抽象为N×M个格点，以长方形卷积核的中心点为椭圆卷积核中心并建立坐标系；按照椭圆公式以长方形卷积核的1/2长为椭圆形卷积核的半长轴，1/2宽为椭圆形卷积核的半短轴，确定出椭圆形卷积核各个点的位置；剩余的格点位置与原方形卷积核相同。

7.根据权利要求1所述的一种基于自适应动态卷积网络的图像分类识别方法，其特征在于，所述分支网络包括2块MBConv卷积模块，和2块Transformer模块串行组成。

8.一种基于自适应动态卷积网络的图像分类识别装置，其特征在于，所述装置包括：图像采集单元，用于获取待测图像；

图像处理单元，用于将所述待测图像输入到预处理块进行预处理操作，得到待测图像的参数信息和浅层特征图；

卷积匹配单元，用于将待测图像的参数信息与原待测图像进行结合得到带有特征标注的图像数据；将图像数据输入到主干网络的自适应动态卷积网络中，按照对应的参数信息选择对应形状的卷积核；

全局特征提取单元，用于将待测图像按照选择出的对应形状的卷积核经过多层的卷积操作后得到语义丰富的全局特征；

局部特征提取单元，用于将所述浅层特征图输入到分支网络中，提取出待测图像的局部特征；

全局局部特征融合单元，用于将所述局部特征和所述全局特征进行特征融合；

图像分类识别单元，用于将融合特征输入到分类网络中，输出待测图像的分类识别信息。

9.一种计算机设备，包括至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其特征在于，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。