1.一种深度学习神经网络的分解与合成方法，其特征在于，包括以下步骤：

步骤1、获取输入数据变量集合A、输出数据变量集合B；所述输入数据变量集合A为全身照的像素矩阵，输出数据变量集合B为性别、年龄、身高；

步骤2、根据输入数据变量集合A中输入数据变量之间的相关性大小，对输入数据变量进行聚类，将输入数据变量集合A中输入数据变量聚类到不同的子集中，获得N个子集；所述N大于等于1；所述子集包括头部像素矩阵H、上身像素矩阵U以及下身像素矩阵D；

步骤3、为所述N个子集中的每个子集初始化一个对应的第一深度学习神经网络，获得N个第一深度学习神经网络，然后将每个子集中的所有输入数据变量作为该子集对应的第一深度学习神经网络的输入数据变量；所述N个第一深度学习神经网络包括第一深度学习神经网络HN、第一深度学习神经网络UN和第一深度学习神经网络DN，头部像素矩阵H、上身像素矩阵U、下身像素矩阵D分别作为第一深度学习神经网络HN、UN、DN的输入数据变量；

步骤4、初始化一个第二深度学习神经网络，该第二深度学习神经网络的输入层节点为所述N个第一深度学习神经网络的所有最顶层隐藏层节点，输出数据变量为所述输出数据变量集合B中的数据变量；

步骤5、初始化一个第三深度学习神经网络，该第三深度学习神经网络由所述N个第一深度学习神经网络的输入层至最顶层隐藏层与所述第二深度学习神经网络组合构成；

步骤6、获取训练输入数据，并将训练输入数据划分为N个输入子数据，该N个输入子数据分别对应于所述N个子集各自的输入数据变量；所述训练输入数据包括m张全身照，针对第i张全身照，将其划分为头部像素矩阵H对应的头部照Hi、上身像素矩阵U对应的上身照Ui、下身像素矩阵D对应的下身照Di；i＝1,2,...,m；

步骤7、由N个输入子数据分别对各自对应的子集所对应的第一深度学习神经网络进行无监督训练，获得每个输入子数据对应的顶层特征；

步骤8、将所述N个第一深度学习神经网络的所有顶层特征数据作为第二深度学习神经网络的输入数据，对第二深度学习神经网络进行无监督训练；

步骤9、获取训练输入数据中存在对应输出数据的输入数据及其对应的输出数据，分别作为第一输入数据及其对应的第一输出数据，然后执行步骤10、步骤11；

步骤10、对第二深度学习神经网络进行有监督训练，获得训练后的第二深度学习神经网络；

步骤11、对第三深度学习神经网络进行有监督训练，获得训练后的第三深度学习神经网络。

2.根据权利要求1所述的深度学习神经网络的分解与合成方法，其特征在于，步骤5中所述第三深度学习神经网络，具体构成为：第三深度学习神经网络的输入层由所述N个第一深度学习神经网络的输入层组成，第三深度学习神经网络的输出层由所述第二深度学习神经网络的输出层组成，第三深度学习神经网络的隐藏层由所述N个第一深度学习神经网络的所有隐藏层及所述第二深度学习神经网络的所有隐藏层组成，第三深度学习神经网络的分类器由所述第二深度学习神经网络的分类器组成。

3.根据权利要求1所述的深度学习神经网络的分解与合成方法，其特征在于，步骤10所述对第二深度学习神经网络进行有监督训练，具体为：步骤10-1、将第一输入数据中与所述N个子集各自的数据变量对应的数据分别作为各子集对应的第一深度学习神经网络的输入，由此得到各子集对应的第一深度学习神经网络的顶层特征数据；

步骤10-2、将所述顶层特征数据作为第二深度学习神经网络的输入数据，并将对应的第一输出数据作为第二深度学习神经网络的输出数据，对第二深度学习神经网络进行有监督训练。

4.根据权利要求1所述的深度学习神经网络的分解与合成方法，其特征在于，步骤11对第三深度学习神经网络进行有监督训练，具体为：将第一输入数据中与所述N个子集各自的数据变量对应的数据作为第三深度学习神经网络的输入数据，并将对应的第一输出数据作为第三深度学习神经网络的输出数据，对第三深度学习神经网络进行有监督训练。

5.基于权利要求1至4任意一项所述的深度学习神经网络的分解与合成方法的系统，其特征在于，包括数据变量集合获取模块、输入数据聚类模块、初始化模块、数据分解模块、无监督训练模块、数据获取模块、有监督训练模块；

其中，

所述数据变量集合获取模块，用于获取输入数据变量集合A及输出数据变量集合B；

所述输入数据聚类模块，用于将输入数据变量集合A中的输入数据变量聚类到子集中，获得N个子集；

所述初始化模块，用于初始化深度学习神经网络；

所述数据分解模块，用于将训练输入数据划分为与所述N个子集各自的输入数据变量对应的N个输入子数据；

所述无监督训练模块，用于对深度学习神经网络进行无监督训练；

所述数据获取模块，用于获取第一输入数据及其对应的第一输出数据；

所述有监督训练模块，用于对深度学习神经网络进行有监督训练。

6.根据权利要求5所述的深度学习神经网络的分解与合成系统，其特征在于，所述初始化模块，具体包括：初始化第一深度学习神经网络单元，用于为所述N个子集中的每个子集初始化一个对应的第一深度学习神经网络，获得N个第一深度学习神经网络，然后将每个子集中的所有输入数据变量作为该子集对应的第一深度学习神经网络的输入数据变量；

初始化第二深度学习神经网络单元，用于将所述N个第一深度学习神经网络的所有最顶层隐藏层节点作为第二深度学习神经网络的输入层节点，将数据变量集合B中的数据变量作为第二深度学习神经网络的输出数据；

初始化第三深度学习神经网络单元，用于将所述N个第一深度学习神经网络的输入层至最顶层隐藏层与所述第二深度学习神经网络进行组合。

7.根据权利要求5所述的深度学习神经网络的分解与合成系统，其特征在于，所述无监督训练模块，具体包括：无监督训练第一深度学习神经网络单元，用于N个输入子数据分别对各自对应的子集所对应的第一深度学习神经网络进行无监督训练，并获得每个输入子数据对应的顶层特征；

无监督训练第二深度学习神经网络单元，用于将所述N个第一深度学习神经网络的所有顶层特征数据作为第二深度学习神经网络的输入数据，对第二深度学习神经网络进行无监督训练。

8.根据权利要求5所述的深度学习神经网络的分解与合成系统，其特征在于，所述有监督训练模块，具体包括：有监督训练第二深度学习神经网络单元，用于先将第一输入数据中与所述N个子集各自的数据变量对应的数据分别作为各子集对应的第一深度学习神经网络的输入，由此得到各子集对应的第一深度学习神经网络的顶层特征数据，然后将所述顶层特征数据作为第二深度学习神经网络的输入数据，并将对应的第一输出数据作为第二深度学习神经网络的输出数据，对第二深度学习神经网络进行有监督训练；

有监督训练第三深度学习神经网络单元，用于将第一输入数据中与所述N个子集各自的数据变量对应的数据作为第三深度学习神经网络的输入数据，并将对应的第一输出数据作为第三深度学习神经网络的输出数据，对第三深度学习神经网络进行有监督训练。