1.一种评审方法，其特征在于，所述方法用于同时对多个待评审对象的评审，包括：S1、评审标准获取步骤，用于获取预设类别的评审标准；所述预设类别的评审标准是将一个预设类别的对象评审通过的标准，包括项目评审的标准、人才评审的标准；

S2、对象数据获取步骤，用于从多个数据源获取待评审的对象的数据；

S3、标准对应的数据获取步骤，用于从所述待评审的对象的数据中获取所述评审标准对应的数据；

S4、评审判断步骤，用于根据所述评审标准对应的数据判断所述待评审的对象能否通过评审：是，则判断所述待评审对象属于预设类别；否，则判断所述待评审对象不属于预设类别；

所述评审判断步骤包括采用深度学习技术基于历史大数据自动生成用于评审的预设模型；

所述评审判断步骤含有每一项标准对应的预设模型获取步骤，包括:每一项标准对应的深度学习模型初始化步骤，用于初始化所述每一项标准对应的深度学习模型作为第一深度学习模型；

每一项标准对应的历史数据获取步骤，用于从历史大数据中获取所述每一项标准对应的已进行过评审的每一对象的第二数据和第三数据；

第二深度学习模型生成步骤，用于将所述每一项标准对应的已进行过评审的每一对象的所述第二数据作为所述第一深度学习模型的输入数据，对所述第一深度学习模型进行无监督训练，得到的所述第一深度学习模型作为第二深度学习模型；

第三深度学习模型生成步骤，用于将所述每一项标准对应的已进行过评审的每一对象的所述第二数据和所述第三数据分别作为所述第二深度学习模型的输入数据和输出数据，对所述第二深度学习模型进行有监督训练，得到的所述第二深度学习模型作为第三深度学习模型；

每一项标准对应的预设模型设置步骤，用于将所述第三深度学习模型作为所述每一项标准对应的预设模型。

2.根据权利要求1所述的评审方法，其特征在于，所述对象数据获取步骤包括：

数据源获取步骤，用于获取数据源；

对象数据检索步骤，用于从所述数据源中检索并获取所述待评审的对象的数据；

所述标准对应的数据获取步骤包括：数据筛选步骤，用于从所述待评审的对象的数据中筛选出所述评审标准对应的数据作为第一数据；数据筛选步骤包括：获取数据源中数据类别与各项标准之间的预设对应关系，从所述对象的数据中获取每一数据源对应的数据，从所述每一数据源对应的数据中检索出与所述每一数据源对应的标准相关的数据；

数据清洗步骤，用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据。

3.根据权利要求2所述的评审方法，其特征在于，所述评审判断步骤包括：

子标准获取步骤，用于获取所述评审标准中每一项标准和总体标准；

对应数据提取步骤，用于从所述第一数据中提取所述每一项标准对应的所述第二数据；

每一项标准对应的预设模型获取步骤，用于获取所述每一项标准对应的预设模型；

每一项标准对应的第三数据生成步骤，用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型，计算得到所述每一项标准对应的第三数据；

每一项标准判断步骤，用于根据所述每一标准对应的第三数据和预设范围，判断所述待评审的对象是否符合所述每一项标准；

总体标准对应的预设模型获取步骤，用于获取所述总体标准对应的预设模型；

总体标准判断步骤，用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围，判断所述待评审对象是否符合所述总体标准；

综合判断步骤，用于判断所述待评审对象是否通过初审；

选拔步骤，用于从通过初审的多个所述待评审对象中选出预设个数或预设比例的所述待评审对象，作为通过评审的待评审对象。

4.根据权利要求3所述的评审方法，其特征在于，所述总体标准对应的预设模型获取步骤包括:总体标准对应的深度学习模型初始化步骤，用于初始化所述总体标准对应的深度学习模型，得到的所述深度学习模型作为第四深度学习模型；

总体标准对应的历史数据获取步骤，用于从历史大数据中获取所述已进行过评审的每一对象的所述评审标准中每一项标准对应的第三数据的集合和所述总体标准对应的第三数据；

第五深度学习模型生成步骤，用于将所述评审标准中每一项标准对应的已进行过评审的每一对象的所述第三数据的集合作为所述深度学习模型的输入数据，对所述第四深度学习模型进行无监督训练，得到的所述第四深度学习模型作为第五深度学习模型；

第六深度学习模型生成步骤，用于将所述已进行过评审的每一对象的所述评审标准中每一项标准对应的所述第三数据的集合和所述总体标准对应的所述第三数据分别作为所述第五深度学习模型的输入数据和输出数据，对所述第五深度学习模型进行有监督训练，得到的所述第五深度学习模型作为第六深度学习模型；

总体标准对应的预设模型设置步骤，用于将所述第六深度学习模型作为所述总体标准对应的预设模型。

5.根据权利要求3所述的评审方法，其特征在于，所述每一项标准判断步骤包括：

每一项标准对应的预设范围获取步骤，用于获取所述每一项标准对应的预设范围；

每一项标准对应的第三数据判断步骤，用于判定所述待评审的对象是否符合所述每一项标准；

所述总体标准判断步骤包括：

总体标准对应的第三数据生成步骤，用于根据所述每一项标准对应的所述第三数据和所述总体标准对应的所述预设模型，计算得到所述总体标准对应的第三数据；

总体标准对应的预设范围获取步骤，用于获取所述总体标准对应的预设范围；

总体标准对应的第三数据判断步骤，用于判断所述待评审的对象是否符合所述总体标准。

6.根据权利要求3所述的评审方法，其特征在于，所述选拔步骤包括：总评分计算步骤，用于根据通过初审的每个所述待评审对象的每一项标准和总体标准对应的第三数据，通过预设总评模型计算得到通过初审的每个所述待评审对象的总评分；

排序选拔步骤，用于根据总评分和预设个数或预设比例，从所述通过初审的多个所述待评审对象中选择出预设个数或预设比例的所述待评审对象，作为通过评审的待评审对象。

7.一种评审系统，其特征在于，所述系统用于同时对多个待评审对象的评审，包括：评审标准获取模块，用于获取预设类别的评审标准；所述预设类别的评审标准是将一个预设类别的对象评审通过的标准，包括项目评审的标准、人才评审的标准；

对象数据获取模块，用于从多个数据源获取待评审的对象的数据；

标准对应的数据获取模块，用于从所述待评审的对象的数据中获取所述评审标准对应的数据；

评审判断模块，用于根据所述评审标准对应的数据判断所述待评审的对象能否通过评审：是，则判断所述待评审对象属于预设类别；否，则判断所述待评审对象不属于预设类别；

所述评审判断步骤包括采用深度学习技术基于历史大数据自动生成用于评审的预设模型；

所述评审判断模块含有获取每一项标准对应的预设模型的模块；

每一项标准对应的预设模型获取步骤包括:每一项标准对应的深度学习模型初始化步骤，用于初始化所述每一项标准对应的深度学习模型作为第一深度学习模型；

每一项标准对应的历史数据获取步骤，用于从历史大数据中获取所述每一项标准对应的已进行过评审的每一对象的第二数据和第三数据；

第二深度学习模型生成步骤，用于将所述每一项标准对应的已进行过评审的每一对象的所述第二数据作为所述第一深度学习模型的输入数据，对所述第一深度学习模型进行无监督训练，得到的所述第一深度学习模型作为第二深度学习模型；

第三深度学习模型生成步骤，用于将所述每一项标准对应的已进行过评审的每一对象的所述第二数据和所述第三数据分别作为所述第二深度学习模型的输入数据和输出数据，对所述第二深度学习模型进行有监督训练，得到的所述第二深度学习模型作为第三深度学习模型；

每一项标准对应的预设模型设置步骤，用于将所述第三深度学习模型作为所述每一项标准对应的预设模型。

8.根据权利要求7所述的评审系统，其特征在于，所述对象数据获取模块包括：

数据源获取模块，用于获取数据源；

对象数据检索模块，用于从所述数据源中检索并获取所述待评审的对象的数据；

所述标准对应的数据获取模块包括：数据筛选模块，用于从所述待评审的对象的数据中筛选出所述评审标准对应的数据作为第一数据；数据筛选模块获取数据源中数据类别与各项标准之间的预设对应关系，从所述对象的数据中获取每一数据源对应的数据，从所述每一数据源对应的数据中检索出与所述每一数据源对应的标准相关的数据；

数据清洗模块，用于从所述第一数据中提取与每一项标准对应的数据作为所述每一项标准对应的第二数据。

9.根据权利要求8所述的评审系统，其特征在于，所述评审判断模块包括：

子标准获取模块，用于获取所述评审标准中每一项标准和总体标准；

对应数据提取模块，用于从所述第一数据中提取所述每一项标准对应的所述第二数据；

每一项标准对应的预设模型获取模块，用于获取所述每一项标准对应的预设模型；

每一项标准对应的第三数据生成模块，用于根据所述每一项标准对应的所述第二数据和所述每一项标准对应的所述预设模型，计算得到所述每一项标准对应的第三数据；

每一项标准判断模块，用于根据所述每一标准对应的第三数据和预设范围，判断所述待评审的对象是否符合所述每一项标准；

总体标准对应的预设模型获取模块，用于获取所述总体标准对应的预设模型；

总体标准判断模块，用于根据所述每一项标准对应的第三数据、所述总体标准对应的预设模型和预设范围，判断所述待评审对象是否符合所述总体标准；

综合判断模块，用于判断所述待评审对象是否通过初审；

选拔模块，用于从通过初审的多个所述待评审对象中选出预设个数或预设比例的所述待评审对象，作为通过评审的待评审对象。

10.一种机器人系统，其特征在于，所述机器人中分别配置有如权利要求7‑9任一项所述的评审系统。