1.一种基于并行卷积神经网络的图像质量测试方法，其特征在于，包括以下步骤：
(1)采用并行卷积神经网络建立图像质量测试模型；所述图像质量测试模型包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一全连接层、第二全连接层和第三全连接层；
所述第五卷积层为包含n个分支的并行结构网络；1≤n≤10；
(2)输入数据预处理与数据库平衡化处理：对预训练数据集的每个样本进行裁剪和归一化，并对预训练数据集的样本数量进行平衡化处理；
(3)模型的预训练：采用预训练数据集，对图像质量测试模型进行预训练学习，得到网络权值；
所述预训练学习，具体为：
用预训练数据集中每一种类别图像各自训练一个深度CNN网络，并且进行权值学习和提取；
所述权值学习和提取，具体包括以下步骤：
(3-1)深度CNN网络权值初始化；
(3-2)对深度CNN网络进行迭代训练；
(3-3)提取每一个深度CNN网络第五卷积层学习得到的卷积核权值；
(4)并行模型训练：初始化图像质量测试模型，基于预训练初始化后的图像质量测试模型，进行并行模型训练，得到已训练的图像质量评估模型；
(5)对目标图像使用已训练的质量评估模型进行测试。
2.根据权利要求1所述的基于并行卷积神经网络的图像质量测试方法，其特征在于，步骤(2)所述输入数据预处理，具体为：
将所有的样本的长宽统一归一化为256*256，在模型输入接口的匹配中，每一次读取输入图像数据时，被随机裁剪到规格为227*227的大小。
3.根据权利要求1所述的基于并行卷积神经网络的图像质量测试方法，其特征在于，步骤(2)所述数据库平衡化处理，具体为：
对预训练数据集中的每个样本进行旋转处理，并左右镜像一次，产生新的样本。
4.根据权利要求1所述的基于并行卷积神经网络的图像质量测试方法，其特征在于，步骤(3)所述预训练学习中，
第一～第四卷积层初始设为AlexNet模型前四层网络权值，采用随即梯度下降方式进行训练，学习率设置为初始值0.0001，第五卷积层提取层和全连接层则设置初始学习率为0.001。
5.根据权利要求1所述的基于并行卷积神经网络的图像质量测试方法，其特征在于，步骤(4)所述初始化图像质量测试模型，基于预训练初始化后的图像质量测试模型，进行并行模型训练：
(4-1)模型初始化；
(4-2)设置训练参数；
(4-3)加载训练数据，所述训练数据包括训练集和验证集；
(4-4)采用随即梯度下降算法对初始化后的图像质量测试模型进行迭代训练，在训练集上，每迭代1000次保存一次模型参数，经过不断迭代，取得网络最优解，取在验证集上误差最小的模型作为已训练的图像质量评估模型。
6.根据权利要求5所述的基于并行卷积神经网络的图像质量测试方法，其特征在于，步骤(4-1)所述模型初始化，具体为：
引用AlexNet模型的权值来初始化图像质量测试模型的第一～第四卷积层，第五层的并行结构由步骤(3)中预训练阶段得到的权值进行初始化，全连接层的则权值采用随机初始化方式。
7.根据权利要求6所述的基于并行卷积神经网络的图像质量测试方法，其特征在于，步骤(4-2)所述设置训练参数，具体为：第一～第五卷积层的初始学习率设置为0.0001；全连接层参数的初始学习率为0.001；训练过程设为每8次遍历样本集后，学习率降低40％。
8.根据权利要求1所述的基于并行卷积神经网络的图像质量测试方法，其特征在于，第一卷积层有96个卷积核，大小为11*11*3；第二卷积层有256个卷积核，大小为5*5*48；第三卷积层有384个核，大小为3*3*256；第四卷积层有384个核，大小为3*3*192；第5卷积层有64*n个核，大小为3*3*64；第一和第二全连接层有512和神经元，第三全连接层有2个神经元；
第一层卷积层依次经第一池化层、第一正则化层与第二卷积层连接；第二卷积层经第二池化层、第二正则化层与第三卷积层连接；第一池化层、第二池化层参数与AlexNet模型参数相同；第三卷积层直接与第四卷积层连接；第四卷积层直接与第五卷积层连接；第五卷积层经第五池化层与第一全连接层连接，第五池化层采用均值池化方法，池化单元大小z*z取2*2，池化步长s取2；第一全连接层依次连接第二全连接层和第三全连接层。