1.一种神经网络深度学习方法，其特征在于，包括：获取目标初始化神经网络的特征信息；

将所述目标初始化神经网络的特征信息在预设神经网络大数据或数据库中进行分析，得到分析结果；

根据所述分析结果确定所述目标初始化神经网络；

通过训练数据训练所述目标初始化神经网络，得到深度学习的目标神经网络。

2.根据权利要求1所述的方法，其特征在于，所述将所述目标初始化神经网络的特征信息在预设神经网络大数据或数据库中进行分析，得到分析结果的步骤包括：查询预设的神经网络大数据或数据库，所述神经网络大数据或数据库存储有已训练神经网络；

将所述目标初始化神经网络的特征信息与所述已训练神经网络的特征信息进行匹配，得到匹配结果，所述分析结果包括所述匹配结果。

3.根据权利要求2所述的方法，其特征在于，所述将所述目标初始化神经网络的特征信息与所述已训练神经网络的特征信息进行匹配，得到匹配结果的步骤包括：获取所述已训练神经网络的特征信息；

获取预设的特征信息匹配规则，所述特征信息匹配规则包括匹配优先级；

根据所述匹配优先级，将所述目标初始化神经网络的特征信息与所述已训练神经网络的特征信息进行相关度匹配，得到匹配结果。

4.根据权利要求1所述的方法，其特征在于，所述将所述目标初始化神经网络的特征信息在预设神经网络大数据或数据库中进行分析，得到分析结果的步骤包括：查询预设的神经网络大数据或数据库，所述神经网络大数据或数据库存储有预测神经网络；

将所述目标初始化神经网络的特征信息输入所述预测神经网络中，得到预测结果，所述分析结果包括所述预测结果。

5.根据权利要求3所述的方法，其特征在于，所述根据所述分析结果确定所述目标初始化神经网络的步骤包括：将所述相关度匹配的匹配结果进行排序；

获取所述相关度匹配的匹配结果中相关度最高的已训练神经网络的特征信息所对应的已训练神经网络；

根据所述相关度最高的已训练神经网络确定所述目标初始化神经网络。

6.根据权利要求4所述的方法，其特征在于，所述根据所述分析结果确定所述目标初始化神经网络的步骤包括：根据所述预测结果获得所述目标初始化神经网络的配置参数，所述配置参数包括神经网络模型层数、层节点数和节点连接权值；

根据所述配置参数确定所述目标初始化神经网络。

7.根据权利要求1所述的方法，其特征在于，还包括：将所述深度学习的目标神经网络更新至所述神经网络大数据或数据库中。

8.一种神经网络深度学习系统，其特征在于，包括：特征信息获取模块，用于获取目标初始化神经网络的特征信息；

特征信息分析模块，用于将所述目标初始化神经网络的特征信息在预设神经网络大数据或数据库中进行分析，得到分析结果；

目标初始化网络获取模块，用于根据所述分析结果确定所述目标初始化神经网络；

神经网络深度学习模块，用于通过训练数据训练所述目标初始化神经网络，得到深度学习的目标神经网络。

9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。