1.一种基于深度学习神经网络的身份识别方法，其特征在于，包括以下步骤：步骤1、获取用于身份识别的N类输入数据；

步骤2、初始化N类输入数据对应的N类深度学习神经网络；

步骤3、对所述N类深度学习神经网络进行训练；

步骤4、获取所述N类输入数据中每一类输入数据的采集成本，根据采集成本从低到高对类别进行排序，得到N类已排序的类别为T1，T2，...,TN；其中采集成本是经济成本与时间成本的加权平均；

步骤5、初始化i为1，待识别身份用户的最优输出标签L为空，最大相似度相对比值U为

0；其中i为自然数，取值范围为1≤i≤N；

步骤6、获取一个待识别身份用户的Ti类测试输入数据，将Ti类测试输入数据作为Ti类深度学习神经网络的输入，通过Ti类深度学习神经网络计算得到Ti类测试输出标签Li；判断最优输出标签L是否为空或与Ti类测试输出标签Li相同，如果为空或相同，则执行步骤7，否则执行步骤8；

步骤7、获取Ti类相似度相对比值Ui，然后执行步骤9；

步骤8、获取Ti类相似度相对比值Ui，并判别是身份识别失败还是执行步骤9；

步骤9、判别Ti类相似度相对比值Ui与最大相似度相对比值U之间的关系，更新最优输出标签L和最大相似度相对比值U；

步骤10、判别最大相似度相对比值U与预设最大相似度相对比值c之间的关系；如果U大于c，则身份识别成功，将最优输出标签作为识别出的身份标签；否则判别i与N之间的关系，如果i大于等于N，则身份识别失败，如果i小于N，则将i加1并返回步骤6继续执行。

2.根据权利要求1所述的基于深度学习神经网络的身份识别方法，其特征在于，步骤2初始化N类输入数据对应的N类深度学习神经网络，具体为：步骤2-1、初始化每一类深度学习神经网络的输入格式为对应类的输入数据的格式；

步骤2-2、初始化每一类深度学习神经网络的输出格式为用户身份信息的格式。

3.根据权利要求1所述的基于深度学习神经网络的身份识别方法，其特征在于，步骤3对所述N类深度学习神经网络进行训练，具体为：步骤3-1、获取N类中每一类训练输入数据，并将每一类训练输入数据作为该类对应的深度学习神经网络的输入，进行自下而上的无监督训练；

步骤3-2、获取N类中每一类带有标签的训练输入数据及其对应的预期输出标签，并将每一类带有标签的输入数据及其对应的预期输出标签分别作为该类对应的深度学习神经网络的输入数据与预期输出标签，进行自顶向下的有监督训练。

4.根据权利要求1所述的基于深度学习神经网络的身份识别方法，其特征在于，步骤7、步骤8中所述获取Ti类相似度相对比值Ui，具体为：首先从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集，将其作为Ti类第一训练输入数据集；然后计算Ti类第一训练输入数据集中每一训练输入数据与Ti类测试输入数据的相似度，将其中最大的相似度Mi与Ti类测试相似度预设阈值ai的比值作为Ti类相似度相对比值Ui。

5.根据权利要求1所述的基于深度学习神经网络的身份识别方法，其特征在于，步骤8中所述判别是身份识别失败还是执行步骤9，具体为：步骤8-1、从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集，将其作为Ti类第一训练输入数据集；

步骤8-2、从Ti类训练输入数据集中搜索预期标签与最优输出标签L匹配的Ti类训练输入数据集，将其作为Ti类第二训练输入数据集；

步骤8-3、计算Ti类第一训练输入数据集中每一训练输入数据与第二训练输入数据集中每一训练输入数据的相似度，如果其中最大的相似度Ni大于等于Ti类混淆相似度预设阈值bi，则执行步骤9，反之则为身份识别失败。

6.根据权利要求1所述的基于深度学习神经网络的身份识别方法，其特征在于，步骤9所述判别Ti类相似度相对比值Ui与最大相似度相对比值U之间的关系，更新最优输出标签L和最大相似度相对比值U，具体为：如果Ui大于U，则将最优输出标签L设置为Ti类输出标签，将最大相似度相对比值U设置为Ti类相似度相对比值Ui；否则保持最优输出标签L和最大相似度相对比值U不变。

7.一种基于深度学习神经网络的身份识别的系统，其特征在于，包括输入数据获取模块、初始化神经网络模块、训练模块、排序模块、初始化起始识别条件模块、测试输出标签获取模块、最优输出标签判别模块、相似度相对比值获取及判别模块、数据更新模块、身份识别判定模块；

其中，

所述输入数据获取模块，用于获取用于身份识别的N类输入数据；

所述初始化神经网络模块，用于初始化N类输入数据对应的N类深度学习神经网络；

所述训练模块，用于对所述N类深度学习神经网络进行训练；

所述排序模块，用于将N类输入数据依据采集成本从低到高进行排序；

所述初始化起始识别条件模块，用于初始化i为1，待识别身份用户的最优输出标签L为空，最大相似度相对比值U为0；

所述测试输出标签获取模块，用于将一个待识别身份用户的Ti类测试输入数据作为Ti类深度学习神经网络的输入，通过Ti类深度学习神经网络计算得到Ti类测试输出标签Li；

所述最优输出标签判别模块，用于判断最优输出标签L是否为空或与Ti类测试输出标签Li相同；

所述相似度相对比值获取及判别模块，用于获取Ti类相似度相对比值Ui，并判别是直接执行下一模块还是需要进一步判别是身份识别失败还是执行下一模块；

所述数据更新模块，用于依据Ti类相似度相对比值Ui与最大相似度相对比值U之间的关系，更新最优输出标签L和最大相似度相对比值U；

所述身份识别判定模块，用于依据最大相似度相对比值U与预设最大相似度相对比值c之间的关系、i与N之间的关系，判定身份识别是成功、失败还是i加1返回测试输出标签获取模块继续执行。

8.根据权利要求7所述的基于深度学习神经网络的身份识别系统，其特征在于，所述初始化神经网络模块，具体包括：初始化输入格式单元，用于初始化每一类深度学习神经网络的输入格式为对应类的输入数据的格式；

初始化输出格式单元，用于初始化每一类深度学习神经网络的输出格式为用户身份信息的格式。

9.根据权利要求7所述的基于深度学习神经网络的身份识别系统，其特征在于，所述训练模块，具体包括：无监督训练单元，用于获取N类中每一类训练输入数据，并将每一类训练输入数据作为该类对应的深度学习神经网络的输入，进行自下而上的无监督训练；

有监督训练单元，用于获取N类中每一类带有标签的训练输入数据及其对应的预期输出标签，并将每一类带有标签的输入数据及其对应的预期输出标签分别作为该类对应的深度学习神经网络的输入数据与预期输出标签，进行自顶向下的有监督训练。

10.根据权利要求7所述的基于深度学习神经网络的身份识别系统，其特征在于，所述相似度相对比值获取及判别模块，具体包括：Ti类第一训练输入数据集获取单元，用于从Ti类训练输入数据集中搜索预期标签与Ti类测试输出标签Li匹配的Ti类训练输入数据集，将其作为Ti类第一训练输入数据集；

Ti类第二训练输入数据集获取单元，用于从Ti类训练输入数据集中搜索预期标签与最优输出标签L匹配的Ti类训练输入数据集，将其作为Ti类第二训练输入数据集；

Ti类相似度相对比值Ui获取单元，用于计算Ti类第一训练输入数据集中每一训练输入数据与Ti类测试输入数据的相似度，将其中最大的相似度Mi与Ti类测试相似度预设阈值ai的比值作为Ti类相似度相对比值Ui；

判别单元，用于依据最优输出标签判别模块的结果，判别是是直接执行下一模块还是需要进一步判别是身份识别失败还是执行下一模块。