1.一种图像识别装置，其中，所述图像识别装置具有：
取得部，其取得输入图像；
分类部，其根据神经网络以及由所述取得部取得的所述输入图像，计算所述输入图像的分类得分，所述神经网络具有通过基于正解以及非正解的教师图像的机械学习、根据处理对象图像计算所述分类得分而决定的各层的权重系数，所述分类得分表示所述教师图像与处理对象图像之间的相似度；
异常判定部，其根据函数逼近器以及由所述取得部取得的所述输入图像，计算所述输入图像的异常得分，所述函数逼近器是为了根据处理对象图像计算表示正解的教师图像与处理对象图像的差异度的所述异常得分而通过基于正解的所述教师图像的机械学习所构建的；以及
识别部，其根据由所述分类部计算出的所述分类得分以及由所述异常判定部计算出的所述异常得分，将所述输入图像分类为与正解的所述教师图像的相似度高的合格图像或者与正解的所述教师图像的相似度低的不合格图像。
2.根据权利要求1所述的图像识别装置，其中，
所述识别部根据针对所述分类得分预先确定的分类阈值以及针对所述异常得分预先确定的异常阈值，将所述输入图像分类为所述合格图像或者所述不合格图像。
3.根据权利要求2所述的图像识别装置，其中，所述图像识别装置还具有：
受理部，其受理用户操作；以及
设定部，其根据由所述受理部受理的所述用户操作，设定所述分类阈值以及所述异常阈值。
4.根据权利要求2或者3所述的图像识别装置，其中，所述图像识别装置还具有显示控制部，该显示控制部使得显示以与所述分类得分相关的分类得分评价轴和与所述异常得分相关的异常得分评价轴作为坐标轴的散布区域，
所述显示控制部使以所述输入图像的所述分类得分以及所述异常得分为坐标的数据、所述分类阈值以及所述异常阈值显示于所述散布区域。
5.根据权利要求1至4中的任一项所述的图像识别装置，其中，
所述函数逼近器是以在对处理对象图像所具有的信息进行压缩之后，重构正解的所述教师图像所具有的信息的方式进行学习的自动编码器，
所述异常判定部根据所述输入图像以及由所述自动编码器根据所述输入图像而重构的图像，计算所述输入图像的异常得分。
6.根据权利要求5所述的图像识别装置，其中，
所述异常判定部根据所述输入图像与所述重构的图像之间的像素值的相关，计算所述输入图像的异常得分。
7.根据权利要求1至4中的任一项所述的图像识别装置，其中，
所述函数逼近器是以在特征空间中划分第1区域和第2区域的方式进行学习的支持向量机，在所述第1区域中描绘从与正解的所述教师图像的差异度低的图像中提取出的特征向量，在所述第2区域中描绘从与正解的所述教师图像的差异度高的图像中提取出的特征向量，
当通过所述支持向量机，在所述第2区域中描绘从所述输入图像提取出的特征向量的情况下，所述异常判定部根据正解的所述教师图像以及所述输入图像，计算所述输入图像的异常得分。
8.根据权利要求7所述的图像识别装置，其中，
所述异常判定部使用正解的所述教师图像与所述输入图像之间的像素值的差值，计算所述输入图像的异常得分。
9.一种图像识别方法，其中，所述图像识别方法具有如下步骤：
第1步骤，取得输入图像；
第2步骤，根据神经网络以及在所述第1步骤中取得的所述输入图像，计算所述输入图像的分类得分，所述神经网络具有通过基于正解以及非正解的教师图像的机械学习、根据处理对象图像计算分类得分而决定的各层的权重系数，所述分类得分表示所述教师图像与处理对象图像之间的相似度；
第3步骤，根据函数逼近器以及在所述第1步骤中取得的所述输入图像，计算所述输入图像的异常得分，所述函数逼近器是为了根据处理对象图像计算表示正解的教师图像与处理对象图像的差异度的所述异常得分而通过基于正解的所述教师图像的机械学习所构建的；以及
第4步骤，根据在所述第2步骤中计算出的所述分类得分以及在所述第3步骤中计算出的所述异常得分，将所述输入图像分类为与正解的教师图像的相似度高的合格图像或者与正解的教师图像的相似度低的不合格图像。
10.一种图像识别程序，其中，所述图像识别程序用于使计算机作为权利要求1至8中的任一项所述的图像识别装置发挥功能。