1.一种基于深度特征一致哈希算法的图像检索方法，其特征在于，该方法包括以下步骤：
s1：获取多标签或者单标签图像数据，包括训练集和测试集；
s2：预处理训练集；
s3：利用s2预处理后的训练集，对神经网络进行优化；
s4：将训练集输入到s3优化后的神经网络中得到哈希码；
s5：计算s4得到的哈希码与所述测试集得到哈希码的汉明距离，并按从小到大的距离排序，输出前k个检索结果，k取值为正整数，完成检索。
2.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，该方法还包括评估步骤s6：根据s5所得到的前k个检索结果的标签和测试集的标签，计算map，完成评估。
3.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，所述s2中：所述预处理包括进行旋转、翻转和添加噪声操作中的一种或者几种。
4.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，所述s3中的神经网络优化具体包括：
s3-1：根据训练集得到改进的语义相似度矩阵；
s3-2：将预处理后的训练集输入到神经网络中；
s3-3：并根据s3-1得到的语义相似度矩阵设置目标函数对神经网络进行训练和优化。
5.如权利要求4所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，所述s3-1具体为：给定n个训练集图像i={i1，i2，…，in}，利用标签计算相似度矩阵，n取值为正整数；如果ii和ij具有任何相同的标签，那么sij=1，否则sij=0；使用百分比来计算s；公式如下：
其中，li和lj表示图像ii和ij的标签向量；<li，lj>表示图像ii和ij的内积；且根据公式（1），将图像分为两类：强相似性和弱相似性；强相似分为完全相似和完全不相似。
6.如权利要求4所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，所述s3-2中：所述神经网络为卷积神经网络，具体使用vgg19作为网络结构。
7.如权利要求4所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，所述s3-3具体为：传统的语义相似度矩阵的值只有1和0，给定所有图像的哈希码b={b1,b2,…bn}和语义相似度矩阵s=sij，条件概率p（sij|b）表示为：
其中，
使用公式（3）来计算具有强相似性的图像的损失；对于部分相似的图像，使用以下公式计算损失：
其中，bi,bj为图像的哈希码，<bi,bj>的范围为[-q,q]，结合式（3）和式（4），用wij来标记这两种情况，即wij=1表示这两幅图片是强相似的，wij=0表示这两幅图片是弱相似的；因此，目标函数可以写为：
其中，γ是一个权重参数；
设定目标函数以减少损失，并鼓励网络输入准确的二进位码：
其中||·||1是向量的l1范数，|·|是绝对值运算，u为松弛的近似哈希码；
使用余弦距离来衡量配对特征的损失：
其中f为神经网络fc7层的输出特征向量；将式（7）与式（5）结合，得到如下目标函数：
结合数量损失和语义损失，最终目标函数如下：
其中，λ是控制量化损失的参数，b为图像的哈希码，u为松弛的近似哈希码，f为神经网络fc7层的输出特征向量。
8.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，所述s4中：
s4-1：使用标准的反向传播和梯度下降法来优化目标函数；通过将哈希码b替换为u，所述目标函数（9）重写如下：
s4-2：再经过学习过程，得到了近似的哈希码，其值在（-1,1）范围内；
s4-3：为了评估该方法的有效性，使用以下公式来获得精确的哈希码：
最终通过上述一系列公式，最终实现了端到端地学习哈希码。
9.如权利要求1所述的基于深度特征一致哈希算法的图像检索方法，其特征在于，所述s5为：将测试集输入到s4训练好的神经网络中得到其哈希码，并计算与s4中训练集哈希码的汉明距离，按从小到大的顺序排序，输出前k个检索结果，k取值为正整数。