1.一种基于类别树的深度学习方法，其特征在于，包括以下步骤：获取训练数据中输出数据对应的类别树；

根据所述类别树分别构造各个非叶子节点对应的深度学习神经网络，所述深度学习神经网络以所述非叶子节点的所有直接子节点类别为输出数据；

获取各个深度学习神经网络的输出数据对应的训练时输入数据，然后分别将各个深度学习神经网络的训练时输入数据和对应的输出数据作为对应深度学习神经网络的输入和预期输出，对所述深度学习神经网络进行训练。

2.根据权利要求1所述的基于类别树的深度学习方法，其特征在于，获取训练数据中输出数据对应的类别树的步骤包括：对训练数据中输出数据进行语义分析，获得对应的类别树。

3.根据权利要求2所述的基于类别树的深度学习方法，其特征在于，对训练数据中输出数据进行语义分析，获得对应的类别树的步骤包括：获取输出标签集合，将输出标签集合中每个输出标签作为一个叶子节点；

从标签分类知识库中获取输出标签集合中每个输出标签所属的父类标签；

将属于同一个父类标签的各输出标签作为该父类标签的子类，并将该父类标签作为属于该父类标签的各输出标签的父节点；

将所述父类标签加入输出标签集合，将属于该父类标签的各输出标签从输出标签集合中删去，并返回从标签分类知识库中获取输出标签集合中每个输出标签所属的父类标签的步骤，直至输出标签集合中只剩余一个输出标签；

将剩余的输出标签作为类别树的根节点。

4.根据权利要求1所述的基于类别树的深度学习方法，其特征在于，根据所述类别树分别构造各个非叶子节点对应的深度学习神经网络的步骤包括：以根节点为当前节点；

对以所述当前节点的所有直接子节点类别为输出数据时输出数据的格式为输出格式、以所述当前节点的所有直接子节点类别对应的输入数据的格式为输入格式对深度学习神经网络进行初始化，得到当前节点对应的深度学习神经网络；

分别将所述当前节点的各个直接子节点作为当前节点，并返回对以所述当前节点的所有直接子节点类别为输出数据的深度学习神经网络进行初始化的步骤，直到当前节点为叶子节点为止。

5.根据权利要求1所述的基于类别树的深度学习方法，其特征在于，分别将各个深度学习神经网络的训练时输入数据和输出数据作为对应深度学习神经网络的输入和预期输出的步骤包括：将以所述非叶子节点的每个直接子节点对应的类别作为对应深度学习神经网络的训练数据中的输出数据；

将所述非叶子节点的每个直接子节点类别对应的样本数据作为所述非叶子节点对应的深度学习神经网络的训练数据时初始输入数据；

或者

通过标签分类知识库获取能区分所述非叶子节点的各个直接子节点类别对应的各个直接子类标签的特征变量集合；所述非叶子节点对应父类标签；

从所述初始输入数据中抽取特征变量集合对应的输入数据，作为对应深度学习神经网络的训练时输入数据。

6.根据权利要求5所述的基于类别树的深度学习方法，其特征在于，还包括以下步骤：若所述标签分类知识库不包括能区分所述非叶子节点的各个直接子节点类别对应的各个直接子类标签的特征变量集合，对属于所述非叶子节点的不同子节点类别的样本数据中各特征变量的数值进行比较；

从各特征变量中选出在不同子节点类别对应的样本数据中数值差异大于预设阈值的特征变量集合，作为能区分当前节点的所有子节点类别的特征变量集合。

7.根据权利要求6所述的基于类别树的深度学习方法，其特征在于，还包括以下步骤：获取使用时输入数据；

以根节点作为当前节点，以1作为当前级别，获取当前节点对应的深度学习神经网络；

获取使用时所述输入数据对应于当前节点的深度学习神经网络的输出数据；

如果深度学习得到的输出数据的类别不是空标签，则继续执行以下步骤：将该类别作为使用时所述输入数据在当前级别上所属的类别并输出，并且根据深度学习得到的输出数据的类别从类别树中选择该类别对应的节点；

以选择的节点作为当前节点，将当前级别加1，并返回获取当前节点对应的深度学习神经网络的步骤，直到当前节点为叶子节点为止。

8.根据权利要求7所述的基于类别树的深度学习方法，其特征在于，获取使用时所述输入数据对应于当前节点的深度学习神经网络的输出数据的步骤包括：将使用时所述输入数据作为当前节点对应的深度学习神经网络的输入数据，通过深度学习得到输出数据；

或者

获取能区分当前节点的所有直接子节点类别的输入数据变量集合；

将获取的输入数据变量集合对应的输入数据作为当前节点对应的深度学习神经网络的输入数据，通过深度学习得到输出数据。

9.根据权利要求1所述的基于类别树的深度学习方法，其特征在于，还包括以下步骤：获取使用时输入数据对应的预期输出数据；

如果所述预期输出数据与所述输入数据经深度学习神经网络后得到的输出数据不一致，以使用时所述输入数据和预期输出数据作为训练数据，进一步地对各个深度学习神经网络进行训练。

10.一种神经网络系统，其特征在于，包括：

获取模块，用于获取训练数据中输出数据对应的类别树；

构造模块，用于根据所述类别树分别构造各个非叶子节点对应的深度学习神经网络，所述深度学习神经网络以所述非叶子节点的所有直接子节点类别为输出数据；

训练模块，用于获取各个深度学习神经网络的输出数据对应的训练时输入数据，然后分别将各个深度学习神经网络的训练时输入数据和对应的输出数据作为对应深度学习神经网络的输入和预期输出，对所述深度学习神经网络进行训练。