1.一种结合反绎学习与深度学习的免疫固定电泳图像识别方法，其特征在于，首先，获取免疫固定电泳图像及图像相关联的标记信息，构建基于专家知识的生成式模型；结合反绎学习引入专家知识，依照人工识别规则对样例数据进行切分和重新组合，从而实现免疫固定电泳图像的自动生成和标注；结合专家知识，利用多任务学习范式和注意力机制设计神经网络结构，构建深度学习模型，对经反绎学习增广后的数据进行训练，获得分类模型；将所得到的分类模型应用于免疫固定电泳图像的识别中，实现免疫固定电泳图像的自动识别。
2.根据权利要求1所述的结合反绎学习与深度学习的免疫固定电泳图像识别方法，其特征在于，所述基于专家知识的生成式模型构建中：收集免疫固定电泳图像关于异常分类时的依据，作为记录，包括异常出现区域和异常出现模式；从记录中提取出相应的规则，包括异常区域与异常模式和标注类别的匹配；利用提取出的规则构造生成式模型g。
3.根据权利要求2所述的结合反绎学习与深度学习的免疫固定电泳图像识别方法，其特征在于，依照专家知识，免疫固定电泳图像纵向分为六个条带，包括对照带elp，和g、a、m、k、l五种m蛋白带，并且横向可以分为四个区域；通过不同纵向条带相同横向区域的匹配情况将图像分为九类；将专家知识以规则的形式进行抽象化表达，并基于这些规则建立生成式模型g，模型g输入已有模型和预设标注信息，生成符合规则的新样本。
4.根据权利要求1所述的结合反绎学习与深度学习的免疫固定电泳图像识别方法，其特征在于，基于反绎学习实现免疫固定电泳图像的自动生成和标注：收集免疫固定电泳图像，并进行标注，形成数据集s_0；根据已收集的有标注的免疫固定电泳图像，按照需求设定需要生成的样例图像的标注信息；输入数据集s_0中的样本图像到生成式模型g，生成式模型g将根据设定好的图像的标注信息，将图像进行切分与重新组合，生成新的有标注的样例图像，重复生成多幅符合设定需求的样例图像，将新生成的样例图像加入到数据集s_0中，将扩增之后的数据集记为s_1。
5. 根据权利要求1所述的结合反绎学习与深度学习的免疫固定电泳图像识别方法，其特征在于，基于专家知识与注意力机制构建深度学习模型，基于残差卷积网络设计构建特征提取器模块；根据专家知识设计不同的子任务，对于不同的子任务构建独立参数的分类器模块； 基于专家知识，构建注意力模块，针对不同类型的免疫固定电泳图像，注意力模块关注不同的注意力区域；将特征提取器模块，子任务分类器模块和注意力模块进行耦合得到最终深度学习模型。
6.根据权利要求1所述的结合反绎学习与深度学习的免疫固定电泳图像识别方法，其特征在于，将构建的深度学习模型作为分类模型，对分类模型进行参数初始化；将有标注免疫固定电泳图像数据集s_1分为训练集d_1和验证集e_1；以交叉熵损失函数作为模型更新过程中的损失函数，利用有标注免疫固定电泳图像训练集d_1对于分类模型进行多轮梯度下降和反向传播更新参数；直到模型收敛，完成训练，记当前模型为分类模型m。
7.根据权利要求1所述的结合反绎学习与深度学习的免疫固定电泳图像识别方法，其特征在于，将所得到的分类模型应用于免疫固定电泳图像的识别，具体实现过程为：收集未标注的免疫固定电泳图像测试集t；对于测试集t中的每一个样本t，利用分类模型m对于测试集t生成其分类识别结果，记录每个样本最终输出的logit，根据输出的logit信息对样本进行分类，得到免疫固定电泳图像的类别信息。
8.一种结合反绎学习与深度学习的免疫固定电泳图像识别系统，包括基于专家知识构建生成式模型模块，基于反绎学习的样例图像自动生成与标注模块，基于专家知识与注意力机制的多任务分类模型构建模块，分类模型的初始化与监督训练模块，以及免疫固定电泳图像识别结果的生成模块；
9.一种计算机设备，其特征在于：该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-7任意一项所述的结合反绎学习和深度学习的免疫固定电泳图像识别方法。
10.一种计算机可读存储介质，其特征在于：该计算机可读存储介质存储有执行如权利要求1-7任意一项所述的结合反绎学习和深度学习的免疫固定电泳图像识别方法的计算机程序。