技术特征：
1.一种基于卷积神经网络的图像识别方法，其特征在于，包括：采用训练图像训练执行图像识别任务的卷积神经网络模型；将待识别的图像输入所述卷积神经网络模型，输出图像识别结果；其中，所述卷积神经网络模型包括卷积神经网络，该卷积神经网络中嵌入一个正交多路径区块，所述正交多路径区块结构包含多条路径，每一条路径上的参数相互正交，增加所述卷积神经网络的稳健性。2.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述训练出执行图像识别任务的卷积神经网络模型，包括：s11，获取一批具有类别标记的训练图像；s12，初始化一个卷积神经网络，在卷积神经网络中嵌入一个正交多路径区块，增加所述卷积神经网络的稳健性；s13，从s11全部的图像中随机取一小批次图像，输入卷积神经网络，网络中正交多路径区块中的每条路径都会对图像输出一个预测的图像类别；s14，对于每条路径，分别计算其输出的预测的图像类别与这批图像的真实类别之间的差异，对全部路径计算出的差异取加权平均；s15，根据计算出的平均差异，用梯度下降法更新网络参数；s16，重复s13到s15，直至平均差异收敛，或者设置一个足够多的重复次数，达到重复次数后便停止训练，从而获取到一个训练好的神经网络模型。3.根据权利要求2所述的基于卷积神经网络的图像识别方法，其特征在于，所述正交多路径区块嵌入在所述卷积神经网络的任意位置，具体的嵌入位置根据实际使用业务需求确定。4.根据权利要求3所述的基于卷积神经网络的图像识别方法，其特征在于，所述正交多路径区块嵌入在所述卷积神经网络的最后线性层，则该区块中的每条路径即为一个线性层，这些路径上的线性层参数相互正交，这些线性层共享网络的前层。5.根据权利要求3所述的基于卷积神经网络的图像识别方法，其特征在于，所述正交多路径嵌入到在所述卷积神经网络的卷积层，则该区块中每条路径即为一个卷积层，这些路径上的卷积层参数相互正交，这些卷积层共享网络的剩余部分。6.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，所述将待识别的图像输入所述卷积神经网络模型，输出图像识别结果，包括：s21，将所述卷积神经网络模型部署到业务机器上；s22，将待识别的图像输入到所述卷积神经网络模型中，所述卷积神经网络模型中的每条路径都会输出对该图像的预测结果；s23，取这些路径的预测结果中出现次数最多的预测结果，作为该图像最终的预测结果。7.根据权利要求1所述的基于卷积神经网络的图像识别方法，其特征在于，还包括：在训练和识别之前，对所述训练图像、所述待识别的图像进行预处理和/或图像增强操作，其中，所述预处理包括将图像尺寸缩放到同样大小、图像像素值大小的归一化；所述图像增强操作包括在图像边缘补0像素再裁剪、随机水平翻转图像。
8.一种基于卷积神经网络的图像识别系统，其特征在于，包括：训练模块，该模块采用训练图像训练执行图像识别任务的卷积神经网络模型；识别模块，该模块将待识别的图像输入所述卷积神经网络模型，输出图像识别结果；其中，所述卷积神经网络模型包括卷积神经网络，该卷积神经网络中嵌入一个正交多路径区块，所述正交多路径区块结构包含多条路径，每一条路径上的参数相互正交，增加所述卷积神经网络的稳健性。9.一种电子终端，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时用于执行权利要求1-7任一所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时用于执行权利要求1-7任一所述的方法。