1.一种基于大数据和深度学习的认定方法，其特征在于，所述方法用于判断待认定的对象是否属于预设类别，包括：

认定标准获取步骤，用于获取预设类别的认定标准；

对象数据获取步骤，用于通过计算机程序从对象提供的数据和第三方提供的数据中自动检索和获取待认定的对象的数据；

标准对应的数据获取步骤，用于从所述待认定的对象的数据中获取所述认定标准对应的数据；标准对应的数据获取步骤包括依据数据源可信度进行数据清洗的步骤，其中：数据源可信度可自动生成，自动生成数据源可信度的步骤包括：将所有数据源的可信度初始化为初始值；从历史大数据中获取每个对象的第一数据和已清洗得到的第二数据；将所述已清洗得到的第二数据对应的数据源的可信度增加预设值，将所述第一数据中与已清洗得到的第二数据一致的其他第二数据对应的数据源的可信度增加预设值；将所述第一数据中与已清洗得到的第二数据不一致的其他第二数据对应的数据源的可信度减少预设值；当所述第二数据对应的数据源的可信度达到100％时，则不再增加预设值；当所述第二数据对应的数据源的可信度减少到0％时，则不再减少预设值；

认定判断步骤，用于判断所述认定标准对应的数据是否符合所述认定标准；是，则判断所述待认定的对象属于预设类别；否，则判断所述待认定的对象不属于预设类别；

所述认定判断步骤包括基于每一项标准对应的预设模型判断所述待认定的对象是否符合所述每一项标准的步骤；每一项标准对应的预设模型采用深度学习技术基于历史大数据自动生成；历史大数据指大量的历史数据或积累了较长时间的数据。

2.根据权利要求1所述的认定方法，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认定的对象的数据；

所述标准对应的数据获取步骤包括：数据筛选步骤，用于从所述待认定的对象的数据中筛选出所述认定标准对应的数据作为第一数据；

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所述的认定方法，其特征在于，所述数据清洗步骤包括:

对应数据源获取步骤，用于获取多个所述第二数据中每个所述第二数据对应的数据源；

可信度获取步骤，用于获取每个所述第二数据对应的数据源的可信度；

可信度选取步骤，用于从每个所述第二数据对应的数据源的可信度中选取最高的可信度，保留所述多个所述第二数据中所述最高的可信度对应的所述第二数据，删除所述多个所述第二数据中所述最高的可信度对应的所述第二数据以外的其他所述第二数据。

4.根据权利要求2所述的认定方法，其特征在于，所述认定判断步骤包括：

子标准获取步骤，用于获取所述认定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，判断所述待认定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，判断所述待认定的对象是否符合所述总体标准；

综合判断步骤，用于判断所述待认定的对象是否符合所述认定标准中所述每一项标准和所述总体标准。

5.根据权利要求4所述的认定方法，其特征在于，所述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认定的每一对象的所述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认定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认定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；

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认定的每一对象的所述认定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，用于将所述认定标准中每一项标准对应的已进行过认定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认定的每一对象的所述认定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。

6.根据权利要求4所述的认定方法，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，用于判定所述待认定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，用于判断所述待认定的对象是否符合所述总体标准。

7.一种基于大数据和深度学习的认定系统，其特征在于，所述系统用于判断待认定的对象是否属于预设类别，包括：

认定标准获取模块，用于获取预设类别的认定标准；

对象数据获取模块，用于通过计算机程序自动检索和获取待认定的对象的数据；

标准对应的数据获取模块，用于从所述待认定的对象的数据中获取所述认定标准对应的数据；标准对应的数据获取步骤包括依据数据源可信度进行数据清洗的步骤，其中：数据源可信度可自动生成，自动生成数据源可信度的步骤包括：将所有数据源的可信度初始化为初始值；从历史大数据中获取每个对象的第一数据和已清洗得到的第二数据；将所述已清洗得到的第二数据对应的数据源的可信度增加预设值，将所述第一数据中与已清洗得到的第二数据一致的其他第二数据对应的数据源的可信度增加预设值；将所述第一数据中与已清洗得到的第二数据不一致的其他第二数据对应的数据源的可信度减少预设值；当所述第二数据对应的数据源的可信度达到100％时，则不再增加预设值；当所述第二数据对应的数据源的可信度减少到0％时，则不再减少预设值；

认定判断模块，用于判断所述认定标准对应的数据是否符合所述认定标准；是，则判断所述待认定的对象属于预设类别；否，则判断所述待认定的对象不属于预设类别；

所述认定判断模块包括基于每一项标准对应的预设模型判断所述待认定的对象是否符合所述每一项标准的模块；每一项标准对应的预设模型采用深度学习技术基于历史大数据自动生成；历史大数据指大量的历史数据或积累了较长时间的数据。

8.根据权利要求7所述的认定系统，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认定的对象的数据；

所述标准对应的数据获取模块包括：数据筛选模块，用于从所述待认定的对象的数据中筛选出所述认定标准对应的数据作为第一数据；

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所述的认定系统，其特征在于，所述认定判断模块包括：

子标准获取模块，用于获取所述认定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，判断所述待认定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，判断所述待认定的对象是否符合所述总体标准；

综合判断模块，用于判断所述待认定的对象是否符合所述认定标准中所述每一项标准和所述总体标准。

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任一项所述的认定系统。