1.适用于多类别和稀缺样本数据场景的图像生成方法，其特征在于，包括：获取原始样本数据，并进行预处理，得到图像训练样本；构建并初始化生成对抗网络，所述生成对抗网络包括由多个生成器网络个体组成的进化种群和判别器网络；预先设定超参数，并利用图像训练样本训练生成对抗网络，通过适应度函数评估每个生成器网络的适应度确定最优生成器网络个体；根据适应度采用不同的变异策略生成候选子代；在候选子代中利用接受-拒绝方法选择出下一代个体；调整判别器网络的误差参数并更新判别器网络参数；根据适应度采用不同的变异策略生成候选子代的具体方法为：当生成器网络的适应度大于最低适应度阈值且小于最高适应度阈值时，控制生成器网络的网络参数向最优生成器网络个体靠拢学习，以知识蒸馏的方式学习，生成第一变异后代；当生成器网络的适应度小于最低适应度阈值时，控制生成器网络的网络参数向随机选择的个体探索，生成第二变异后代；计算第一变异后代和第二变异后代的目标函数梯度估计，并更新第一变异后代和第二变异后代，得到候选子代；所述选择出下一代个体的方法为：若候选子代的适应度高于当前生成器网络个体的适应度，且超过设定的阈值，则接受候选子代作为下一代个体；否则，将拒绝候选子代进入下一代，保留当前生成器网络个体作为下一代个体；若所有的候选子代均被拒绝进入下一代，对应设置拒绝次数增加1次，否则保持拒绝次数不变，当拒绝次数达到设置的最大拒绝次数，则结束训练；当达到最大迭代次数时，得到适应度最高的生成器网络，并用于生成图像。
2.如权利要求1所述的适用于多类别和稀缺样本数据场景的图像生成方法，其特征在于，所述预处理为去除原始样本数据中的重复图像和损坏图像，将原始样本数据统一尺寸缩放并像素值归一化，再分成若干批次，得到图像训练样本。
3.如权利要求1所述的适用于多类别和稀缺样本数据场景的图像生成方法，其特征在于，采用基于梯度指导的进化方法训练生成对抗网络，所述预先设定超参数包括学习率、算法最大拒绝次数、误差参数、适应度阈值、变异间隔、个体在一次变异策略中执行的变异次数以及算法最大迭代次数。
4.如权利要求1所述的适用于多类别和稀缺样本数据场景的图像生成方法，其特征在于，所述调整判别器网络误差参数的方法为：若候选子代被接受进入下一代，则调整判别器网络误差参数，表示为： ；其中， 表示调整后的误差参数， 表示调整前的误差参数， 表示学习率， 表示常数系数；否则，保持误差参数不变。
5.如权利要求1所述的适用于多类别和稀缺样本数据场景的图像生成方法，其特征在于，所述更新判别器网络参数的方法为：计算判别器网络对应的目标函数估计梯度，当满足 时，基于随机梯度上升算法更新判别器参数，其中， 表示目标函数估计梯度， 表示更新后最优生成器网络个体， 表示 次迭代时判别器网络， 表示调整后的误差参数。
6.适用于多类别和稀缺样本数据场景的图像生成系统，其特征在于，包括：训练样本获取模块，被配置为：获取原始样本数据，并进行预处理，得到图像训练样本；生成对抗网络构建与初始化模块，被配置为：构建并初始化生成对抗网络，所述生成对抗网络包括由多个生成器网络个体组成的进化种群和判别器网络；训练模块，被配置为：预先设定超参数，并利用图像训练样本训练生成对抗网络，通过适应度函数评估每个生成器网络的适应度确定最优生成器网络个体；根据适应度采用不同的变异策略生成候选子代；在候选子代中利用接受-拒绝方法选择出下一代个体；调整判别器网络的误差参数并更新判别器网络参数；根据适应度采用不同的变异策略生成候选子代的具体方法为：当生成器网络的适应度大于最低适应度阈值且小于最高适应度阈值时，控制生成器网络的网络参数向最优生成器网络个体靠拢学习，以知识蒸馏的方式学习，生成第一变异后代；当生成器网络的适应度小于最低适应度阈值时，控制生成器网络的网络参数向随机选择的个体探索，生成第二变异后代；计算第一变异后代和第二变异后代的目标函数梯度估计，并更新第一变异后代和第二变异后代，得到候选子代；所述选择出下一代个体的方法为：若候选子代的适应度高于当前生成器网络个体的适应度，且超过设定的阈值，则接受候选子代作为下一代个体；否则，将拒绝候选子代进入下一代，保留当前生成器网络个体作为下一代个体；若所有的候选子代均被拒绝进入下一代，对应设置拒绝次数增加1次，否则保持拒绝次数不变，当拒绝次数达到设置的最大拒绝次数，则结束训练；图像生成模块，被配置为：当达到最大迭代次数时，得到适应度最高的生成器网络，并用于生成图像。
7.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的适用于多类别和稀缺样本数据场景的图像生成方法中的步骤。
8.一种电子设备，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的适用于多类别和稀缺样本数据场景的图像生成方法中的步骤。
