1.一種基于圖卷積神經網絡的宮頸細胞圖像分類方法，其特征在于：包括以下步驟：

(1)準備訓練樣本：將宮頸細胞圖像分類得到七類樣本，所述七類樣本包括正常表層細胞、正常中底層細胞、粒細胞、腺細胞、非典型鱗狀細胞、挖空細胞、高核漿比細胞；

(2)得到訓練樣本的1024維特征表示：去掉預訓練的稠密卷積神經網絡的最后一個全連接層得到特征提取器，將每一個訓練樣本輸入所述特征提取器，得到訓練樣本的1024維的特征向量，以此作為該樣本的特征表示；

(3)構建樣本特征關系圖：將訓練樣本的每一類作為關系圖的一個節點，求得每類樣本特征的均值作為該節點的特征，之后計算七個節點特征間的余弦距離，對于每個節點，選取距離最近的5個節點作為其鄰接節點，并定義每個節點與自己鄰接，由此構造鄰接矩陣；

(4)搭建基于圖卷積神經網絡的深度網絡：包括以下子步驟：將所述樣本特征關系圖輸入到圖卷積神經網絡，經過圖卷積操作，得到圖卷積神經網絡的輸出特征，之后在該輸出特征的每一維度上取最大值，得到一個7維的特征，同時將帶有標注信息的三通道的所述宮頸細胞圖像輸入到所述去掉最后一層全連接層的預訓練稠密卷積神經網絡后得到1024維特征向量，最后將所述7維特征拼接在1024維特征后，形成1031維特征表示，經過線性變換輸入到Softmax分類器得到一個7維向量；

(5)構建宮頸細胞圖像分類器；包括下列子步驟：

將所述多類訓練樣本以及步驟(3)得到的樣本特征關系圖輸入步驟(4)搭建好的所述基于圖卷積神經網絡的深度網絡進行訓練，通過反向傳播算法不斷優化交叉熵損失函數，調整所述基于圖卷積神經網絡的深度網絡的參數，得到能夠識別所述七類樣本的分類器；所述交叉熵損失函數如下：

其中，p(x_i)表示樣本x_i的真實類別，q(x_i)表示樣本x_i的預測類別，n為樣本總數；

(6)預測目標圖像中的宮頸細胞的類別：從目標圖像中分割出帶有細胞核的圖像區域，加載步驟(5)得到的優化后的基于圖卷積神經網絡的深度網絡的網絡結構與權重參數，將所述圖像區域與步驟(3)得到的樣本特征關系圖輸入所述深度網絡計算，得到分類結果；

步驟(4)所述的圖卷積神經網絡由圖卷積層組成，在圖上每個節點的鄰接節點特征上進行卷積，將節點特征和圖的潛在結構信息結合，從而得到對節點信息的特征表示；一個多層的圖卷積網絡通過以下方式來更新節點特征：

其中為第l層節點的特征表示，d_l是特征維度，為更新后的節點特征，H⁰即為輸入圖卷積網絡的節點特征，是每一層的權重，σ(·)是ReLU激活函數；

步驟(4)中的線性變換以如下方式將特征從1031維映射到7維：

z＝yW+b(z∈R⁷) (3)

其中W∈R^1031×7是權重，b是偏置，y為最后一層圖卷積網絡的輸出與預訓練稠密卷積神經網絡輸出拼接得到的1031維特征；

所述Softmax分類器使用Softmax函數將一個含任意實數的K維向量z壓縮到另一個K維實向量σ(z)中，使得每一個元素的范圍都在(0,1)之間，并且所有元素的和為1；

該函數的形式按下面的式子給出：

其中e為自然常數，z_j即為向量z的第j個元素，向量σ(z)的每個值表示就這個樣本屬于每個類的概率；帶有標注信息的三通道宮頸細胞圖像以及步驟(3)中構建的樣本特征關系圖輸入到網絡后經過一系列卷積操作和線性映射后，經過Softmax分類器輸出類別；

步驟(5)中，所述反向傳播算法為BP算法。