1.一种图像分类器建立方法，其特征在于，包括：
获取样本图片集，所述样本图片集中包含含目标图像的正样本和不含目标图像的负样本；
对所述样本图片集中的样本图片进行变形处理，得到扩充后的样本图片集；
根据所述扩充后的样本图片集和深度卷积神经网络模型，获得针对所述目标图像的分类器；其中，所述深度卷积神经网络模型中对卷积层的输出进行归一化处理。
2.如权利要求1所述的方法，其特征在于，对所述样本图片集中的样本图片进行变形处理，包括以下至少之一：
镜像翻转、旋转、随机裁剪、亮度调整。
3.如权利要求1所述的方法，其特征在于，包括：
所述深度卷积神经网络模型为Googlenet模型；
根据所述扩充后的样本图片集和深度卷积神经网络模型，获得针对所述目标图像的分类器，包括：
将所述样本图片输入初始化的Googlenet模型中；
前向传播获取所述Googlenet模型的损失函数loss值；
根据所述loss值反向传播更新所述Googlenet模型参数，直至所述Googlenet模型的loss值符合预设条件，得到针对所述目标图像的分类器。
4.如权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型中对卷积层的输出进行归一化处理，包括：
对所述深度卷积神经网络模型中的每层卷积层的输出值进行归一化处理。
5.一种根据如权利要求1至4任一项所述的方法建立的图像分类器的图像识别方法，其特征在于，包括：
获取待识别图片；
将所述待识别图片输入所述分类器，得到所述待识别图片是否包含所述目标图像的分类结果。
6.一种图像分类器建立装置，其特征在于，包括：
获取模块，用于获取样本图片集，所述样本图片集中包含含目标图像的正样本和不含目标图像的负样本；
扩充模块，用于对所述样本图片集中的样本图片进行变形处理，得到扩充后的样本图片集；
处理模块，用于根据所述扩充后的样本图片集和深度卷积神经网络模型，获得针对所述目标图像的分类器；其中，所述深度卷积神经网络模型中对卷积层的输出进行归一化处理。
7.如权利要求6所述的装置，其特征在于，
所述扩充模块，具体用于对所述样本图片集中的样本图片进行如下至少之一的变形处理：镜像翻转、旋转、随机裁剪、亮度调整。
8.如权利要求6所述的装置，其特征在于，
所述处理模块采用的所述深度卷积神经网络模型为Googlenet模型；
所述处理模块具体用于：
将所述样本图片输入初始化的Googlenet模型中；
前向传播获取所述Googlenet模型的损失函数loss值；
根据所述loss值反向传播更新所述Googlenet模型参数，直至所述Googlenet模型的loss值符合预设条件，得到针对所述目标图像的分类器。
9.如权利要求6所述的装置，其特征在于，
所述处理模块，具体用于对所述深度卷积神经网络模型中的每层卷积层的输出值进行归一化处理。
10.一种图像识别装置，其特征在于，包括：
获取模块，用于获取待识别图片；
处理模块，用于将所述待识别图片输入目标图像的分类器，得到所述待识别图片是否包含所述目标图像的分类结果，其中，所述目标图像的分类器由权利要求6至9任一项所述图像分类器建立装置得到。