1.一种图像识别方法，其特征在于，包括：
获取待识别图像数据，并将所述待识别图像数据输入到预设网络模型，所述预设网络模型包括至少1类处理层，每类处理层包含至少3个子处理层，所述至少3个子处理层按序依次排列；
依次采用所述至少1类处理层对所述待识别图像数据进行处理，获取识别后的图像数据；
其中，每类处理层中的所述至少子3个子处理层依次对所述待识别图像数据进行处理，且每类处理层中从第3个所述子处理层开始，每个所述子处理层的输入包括：至少2个在先子处理层的输出。
2.根据权利要求1所述的方法，其特征在于，所述依次采用所述至少1类处理层对所述待识别图像数据进行处理，获取识别后的图像数据，包括：
根据随机梯度下降法，依次采用所述至少1类处理层对所述待识别图像数据进行处理，获取识别后的图像数据。
3.根据权利要求1或2所述的方法，其特征在于，所述至少1类处理层包括：卷积层和全连接层；
其中，所述卷积层包含至少3个子卷积层，所述全连接层包含至少3个子全连接层。
4.根据权利要求3所述的方法，其特征在于，所述依次采用所述至少1类处理层对所述待识别图像数据进行处理，获取识别后的图像数据，包括：
采用至少3个子卷积层依次对所述待识别图像数据进行卷积处理，得到卷积后的图像数据；
采用至少3个子全连接层依次对所述卷积后的图像数据进行全连接处理，获取识别后的图像数据。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
对每个子全连接层的总处理数据量进行压缩。
6.根据权利要求5所述的方法，其特征在于，所述对每个子全连接层的总处理数据量进行压缩，包括：
分别对每个子全连接层的参数矩阵进行奇异值分解，获取每个子全连接层的参数矩阵对应的第一参数子矩阵以及第二参数子矩阵；
则所述采用至少3个子全连接层依次对所述卷积后的图像数据进行全连接处理，获取识别后的图像数据，包括：
采用所述至少3个子全连接层中每个子全连接层的参数矩阵对应的第一参数子矩阵以及第二参数子矩阵依次对所述卷积后的图像数据对应的二维矩阵进行全连接处理，获取识别后的图像数据。
7.一种图像识别装置，其特征在于，包括：
获取模块，被配置为获取待识别图像数据，并将所述待识别图像数据输入到预设网络模型，所述预设网络模型包括至少1类处理层，每类处理层包含至少3个子处理层，所述至少3个子处理层按序依次排列；
处理模块，被配置为依次采用所述至少1类处理层对所述获取模块获取到的所述待识别图像数据进行处理，获取识别后的图像数据；
其中，每类处理层中的所述至少子3个子处理层依次对所述待识别图像数据进行处理，且每类处理层中从第3个所述子处理层开始，每个所述子处理层的输入包括：至少2个在先子处理层的输出。
8.根据权利要求7所述的装置，其特征在于，所述处理模块，还被配置为根据随机梯度下降法，依次采用所述至少1类处理层对所述待识别图像数据进行处理，获取识别后的图像数据。
9.根据权利要求7或8所述的装置，其特征在于，所述至少1类处理层包括：卷积层和全连接层；
其中，所述卷积层包含至少3个子卷积层，所述全连接层包含至少3个子全连接层。
10.根据权利要求9所述的装置，其特征在于，所述处理模块，包括：第一处理子模块和第二处理子模块；
所述第一处理子模块，被配置为采用至少3个子卷积层依次对所述获取模块获取到的所述待识别图像数据进行卷积处理，得到卷积后的图像数据；
所述第二处理子模块，被配置为采用至少3个子全连接层依次对所述第一处理子模块得到的所述卷积后的图像数据进行全连接处理，获取识别后的图像数据。
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：压缩模块；
所述压缩模块，被配置为对每个子全连接层的总处理数据量进行压缩。
12.根据权利要求11所述的装置，其特征在于，所述压缩模块，包括：分解子模块；
所述分解子模块，被配置为分别对每个子全连接层的参数矩阵进行奇异值分解，获取每个子全连接层的参数矩阵对应的第一参数子矩阵以及第二参数子矩阵；
则所述第二处理子模块，还被配置为采用所述至少3个子全连接层中所述分解子模块获取到的每个子全连接层的参数矩阵对应的第一参数子矩阵以及第二参数子矩阵依次对所述卷积后的图像数据对应的二维矩阵进行全连接处理，获取识别后的图像数据。
13.一种图像识别装置，其特征在于，所述装置包括：
处理器；
用于存储所述处理器的可执行指令的存储器；
其中，所述处理器被配置为：
获取待识别图像数据，并将所述待识别图像数据输入到预设网络模型，所述预设网络模型包括至少1类处理层，每类处理层包含至少3个子处理层，所述至少3个子处理层按序依次排列；
依次采用所述至少1类处理层对所述待识别图像数据进行处理，获取识别后的图像数据；
其中，每类处理层中的所述至少子3个子处理层依次对所述待识别图像数据进行处理，且每类处理层中从第3个所述子处理层开始，每个所述子处理层的输入包括：至少2个在先子处理层的输出。