1.一种伴奏纯净度评估方法，其特征在于，包括：
获取多个第一伴奏数据以及各个第一伴奏数据对应的标签；所述各个第一伴奏数据对应的标签用于指示对应的第一伴奏数据为纯器乐伴奏数据或存在背景噪声的器乐伴奏数据；
提取所述各个第一伴奏数据的音频特征；
根据所述各个第一伴奏数据的音频特征以及各个第一伴奏数据对应的标签进行模型训练，获得用于伴奏纯净度评估的神经网络模型；所述神经网络模型的模型参数是由所述各个第一伴奏数据的音频特征以及各个第一伴奏数据对应的标签之间的关联关系确定的。
2.根据权利要求1所述的方法，其特征在于，在提取所述各个第一伴奏数据的音频特征之前，所述方法还包括：
对所述各个第一伴奏数据进行调整，以使所述各个第一伴奏数据的播放时长与预设播放时长相符；
对所述各个第一伴奏数据进行归一化处理，以使所述各个第一伴奏数据的音强符合预设音强。
3.根据权利要求1或2所述的方法，其特征在于，在根据所述各个第一伴奏数据的音频特征以及各个第一伴奏数据对应的标签进行模型训练之前，所述方法还包括：
根据Z-score算法对所述各个第一伴奏数据的音频特征进行处理，以使所述各个第一伴奏数据的音频特征标准化；其中所述各个第一伴奏数据的标准化后的音频特征符合正态分布。
4.根据权利要求1-3任一项所述的方法，其特征在于，在获得用于伴奏纯净度评估的神经网络模型之后，所述方法还包括：
获取多个第二伴奏数据的音频特征以及各个第二伴奏数据的对应的标签；
将所述多个第二伴奏数据的音频特征输入到所述神经网路模型中，以获得各个第二伴奏数据的评估结果；
根据所述各个第二伴奏数据的评估结果与所述各个第二伴奏数据的对应的标签的差距，获得所述神经网络模型的准确率；
在所述神经网络模型的准确率低于预设阈值的情况下，调节模型参数重新对所述神经网络模型进行训练，直至所述神经网络模型的准确率大于等于预设阈值，且所述模型参数的变化幅度小于等于预设幅度。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述音频特征包括：梅尔频谱特征、相关谱感知线性预测特征、谱熵特征、感知线性预测特征中的任意一种或者任意多种组合。
6.一种伴奏纯净度评估方法，其特征在于，包括：
获取待检测数据，所述待检测数据包括伴奏数据；
提取所述伴奏数据的音频特征；
将所述音频特征输入到神经网络模型中，获得所述伴奏数据的纯净度评估结果；所述评估结果用于指示所述待检测数据为纯器乐伴奏数据或存在背景噪声的器乐伴奏数据，所述神经网络模型是根据多个样本训练得到的，所述多个样本包括多个伴奏数据的音频特征以及各个伴奏数据对应的标签，所述神经网络模型的模型参数是由所述各个伴奏数据的音频特征以及各个伴奏数据对应的标签之间的关联关系确定的。
7.根据权利要求6所述的方法，其特征在于，在提取所述伴奏数据的音频特征之前，所述方法还包括：
对所述伴奏数据进行调整，以使所述伴奏数据的播放时长与预设播放时长相符；
对所述伴奏数据进行归一化处理，以使所述伴奏数据的音强符合预设音强。
8.根据权利要求6或7所述的方法，其特征在于，在将所述音频特征输入到神经网络模型中之前，所述方法还包括：
根据Z-score算法对所述伴奏数据的音频特征进行处理，以使所述伴奏数据的音频特征标准化；其中所述伴奏数据标准化后的音频特征符合正太分布。
9.根据权利要求6-8任一项所述的方法，其特征在于，在获得所述伴奏数据的纯净度评估结果之后，所述方法还包括：
若所述伴奏数据的纯净度大于或等于预设阈值，确定所述纯净度评估结果为所述纯器乐伴奏数据；
若所述待检测伴奏数据的的纯净度小于所述预设阈值，确定所述纯净度评估结果为所述存在背景噪声的器乐伴奏数据。
10.一种伴奏纯净度评估装置，其特征在于，包括：
通信模块，用于获取多个第一伴奏数据以及各个第一伴奏数据对应的标签；所述各个第一伴奏数据对应的标签用于指示对应的第一伴奏数据为纯器乐伴奏数据或存在背景噪声的器乐伴奏数据；
特征提取模块，用于提取所述各个第一伴奏数据的音频特征；
训练模块，用于根据所述各个第一伴奏数据的音频特征以及各个第一伴奏数据对应的标签进行模型训练，获得用于伴奏纯净度评估的神经网络模型；所述神经网络模型的模型参数是由所述各个第一伴奏数据的音频特征以及各个第一伴奏数据对应的标签之间的关联关系确定的。
11.根据权利要求10所述的装置，其特征在于，所述装置还包括数据优化模块，所述数据优化模块用于，
对所述各个第一伴奏数据进行调整，以使所述各个第一伴奏数据的播放时长与预设播放时长相符；
对所述各个第一伴奏数据进行归一化处理，以使所述各个第一伴奏数据的音强符合预设音强。
12.根据权利要求10或11所述的装置，其特征在于，所述装置还包括特征标准化模块，所述特征标准化模块用于，
在根据所述各个第一伴奏数据的音频特征以及各个第一伴奏数据对应的标签进行模型训练之前，根据Z-score算法对所述各个第一伴奏数据的音频特征进行处理，以使所述各个第一伴奏数据的音频特征标准化；其中所述各个第一伴奏数据的标准化后的音频特征符合正态分布。
13.根据权利要求10-12任一项所述的装置，其特征在于，所述装置还包括验证模块，所述验证模块用于：
获取多个第二伴奏数据的音频特征以及各个第二伴奏数据的对应的标签；
将所述多个第二伴奏数据的音频特征输入到所述神经网路模型中，以获得各个第二伴奏数据的评估结果；
根据所述各个第二伴奏数据的评估结果与所述各个第二伴奏数据的对应的标签的差距，获得所述神经网络模型的准确率；
在所述神经网络模型的准确率低于预设阈值的情况下，调节模型参数重新对所述神经网络模型进行训练，直至所述神经网络模型的准确率大于等于预设阈值，且所述模型参数的变化幅度小于等于预设幅度。
14.根据权利要求10-13任一项所述的装置，其特征在于，所述音频特征包括：梅尔频谱特征、相关谱感知线性预测特征、谱熵特征、感知线性预测特征中的任意一种或者任意多种组合。
15.一种伴奏纯净度评估装置，其特征在于，包括：
通信模块，用于获取待检测数据，所述待检测数据包括伴奏数据；
特征提取模块，用于提取所述伴奏数据的音频特征；
评估模块，用于将所述音频特征输入到神经网络模型中，获得所述伴奏数据的纯净度评估结果；所述评估结果用于指示所述待检测数据为纯器乐伴奏数据或存在背景噪声的器乐伴奏数据，所述神经网络模型是根据多个样本训练得到的，所述多个样本包括多个伴奏数据的音频特征以及各个伴奏数据对应的标签，所述神经网络模型的模型参数是由所述各个伴奏数据的音频特征以及各个伴奏数据对应的标签之间的关联关系确定的。
16.根据权利要求15所述的装置，其特征在于，所述装置还包括数据优化模块，所述数据优化模块用于，
在提取所述伴奏数据的音频特征之前，对所述伴奏数据进行调整，以使所述伴奏数据的播放时长与预设播放时长相符；对所述伴奏数据进行归一化处理，以使所述伴奏数据的音强符合预设音强。
17.根据权利要求15或16所述的装置，其特征在于，所述装置还包括特征标准化模块，所述特征标准化模块用于，
在将所述音频特征输入到神经网络模型中之前，根据Z-score算法对所述伴奏数据的音频特征进行处理，以使所述伴奏数据的音频特征标准化；其中所述伴奏数据标准化后的音频特征符合正太分布。
18.根据权利要求15-17任一项所述的装置，其特征在于，所述评估模块还用于，
若所述伴奏数据的纯净度大于或等于预设阈值，确定所述纯净度评估结果为所述纯器乐伴奏数据；
若所述待检测伴奏数据的的纯净度小于所述预设阈值，确定所述纯净度评估结果为所述存在背景噪声的器乐伴奏数据。
19.一种电子设备，其特征在于，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-5任一项所述的方法，和/或，执行如权利要求6-9任一项所述的方法。
20.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-5任一项所述的方法，和/或，执行如权利要求6-9任一项所述的方法。