1.一种基于深度学习的隐私增强数据处理方法,用于对车辆节点上传的感知数据进行数据分析和预处理，其特征在于，包括如下步骤：

1)使用基于均值哈希的图像指纹计算法，剔除感知数据中的相似数据，具体的使用基于均值哈希的图像指纹计算法将图像进行压缩，再确定一条基准线使图像指纹计算法的结果转换为二值结果，将相似度超过基准线的图像记录为相似，否则记录为不相似，剔除相似的图像；

2)对带标签的数据集和无标签数据集进行数据增强，采用增强后的数据训练并测试基于半监督学习的分类模型，所述数据增强具体包括如下：有标签的数据集X＝{(xa,ga)；a∈(1,2,3…A)}和无标签的数据集V＝{va；a∈(1,2,3…A)}，A为数据集中样本的个数，为数据增强轮次，H为锐化参数，θ为NDH中的参数，xa、va指X和V中的样本，ga为标签；

对X中的每一个单个样本xa做一次数据强化，得到

然后对V中的每一个单个样本va分别进行K轮数据强化，得到

通过加强后的有标签的数据集X输入基于监督学习的分类模型进行训练，将加强后的无标签的数据集V对训练好的基于监督学习的分类模型进行测试；

3)将步骤1)得到的数据输入训练好的半监督学习的分类模型进行标签猜测，该标签包括图像相关和图像不相关，剔除标签为图像不相关的数据；

对一个无标签样本进行K轮数据增强，会产生K个客观标签值相同的不同样本，使用现有模型对其进行标签判断，然后再对K个结果取平均值，即有：其中， 为对无标签样本va中K个客观标签值相同的不同样本进行标签猜测的平均值，gmodel(z|va,k；ω)是已有模型根据类标签z，第a个无标签样本的第k个数据增强样本va,k以及参数ω所产生的分布，即标签猜测的结果；

为了避免标签猜测的结果分布的过于均匀，引入锐化算法来降低 分布的熵，即有：其中，g为输入分布，H为一个超参数，u表示当前进行标签集合中的第u个标签的锐化，N表示标签集合的元素个数,要进行锐化处理的分布是 在使用时是将 代入g；

至此，得到对于单个无标签样本va的标签猜测:

ma＝Sharpen(g，H)。

2.一种基于深度学习的隐私增强数据处理的车联网系统，其特征在于：包括车辆节点、边缘层和云端；该车辆节点用于收集道路的感知数据并上传至边缘层；边缘层采用权利要求1所述的一种基于深度学习的隐私增强数据处理方法，并将筛选后的数据上传至云端。