1.一种基于clip类别增量学习的图像分类方法，其特征在于，包括：
2.如权利要求1所述的一种基于clip类别增量学习的图像分类方法，其特征在于，以新旧类别的文本特征间的欧几里德距离作为相似度，将相似度小于设定阈值的新旧类别对作为相邻类别的新旧类别对；对每对相邻类别中的旧类别文本特征，计算质心和协方差矩阵，基于此从高斯分布中进行采样。
3.如权利要求1所述的一种基于clip类别增量学习的图像分类方法，其特征在于，以铰链损失函数与交叉熵损失函数的和作为训练过程的总损失函数；铰链损失函数为：
4.如权利要求1所述的一种基于clip类别增量学习的图像分类方法，其特征在于，适配器参数融合过程包括：将当前训练任务的适配器参数和前一训练任务的适配器参数分解到相同的标准正交基，根据分解后的当前训练任务的分解参数和前一训练任务的分解参数的差值计算融合权值，根据融合权值对当前训练任务的分解参数和前一训练任务的分解参数进行融合，得到融合参数，根据融合参数和标准正交基得到最终适配器参数。
5.如权利要求4所述的一种基于clip类别增量学习的图像分类方法，其特征在于，融合权值m为：
6.如权利要求4所述的一种基于clip类别增量学习的图像分类方法，其特征在于，融合参数r和最终适配器参数w分别为：
7.一种基于clip类别增量学习的图像分类系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述的方法。
10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现完成权利要求1-6任一项所述的方法。