1.一種基于深度學習的數(shù)據(jù)分類方法，其特征在于，該方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述一種基于深度學習的數(shù)據(jù)分類方法，其特征在于，所述綜合任意第一目標分塊中所有像素點的所有顏色分量的數(shù)值，獲取所述第一目標分塊的色彩偏移程度，包括的具體方法為：
3.根據(jù)權(quán)利要求2所述一種基于深度學習的數(shù)據(jù)分類方法，其特征在于，所述任意顏色分量在任意第一目標分塊中的偏斜程度的具體獲取方法為：
4.根據(jù)權(quán)利要求1所述一種基于深度學習的數(shù)據(jù)分類方法，其特征在于，所述根據(jù)任意ii型商品圖像中所有第二目標分塊的亮度與所述ii型商品圖像的亮度差異，獲取所述ii型商品圖像的亮度均衡程度，包括的具體方法為：
5.根據(jù)權(quán)利要求1所述一種基于深度學習的數(shù)據(jù)分類方法，其特征在于，所述根據(jù)任意第三目標分塊的所有像素點的梯度信息，獲取所述第三目標分塊的總體方向性，包括的具體方法為：
6.根據(jù)權(quán)利要求5所述一種基于深度學習的數(shù)據(jù)分類方法，其特征在于，所述獲取任意第三目標分塊的若干個離散角度以及相應的顯著像素點數(shù)量，并構(gòu)成所述第三目標分塊的離散角度-顯著像素點數(shù)量坐標系的具體方法為：
7.根據(jù)權(quán)利要求5所述一種基于深度學習的數(shù)據(jù)分類方法，其特征在于，所述通過總體方向性篩選得到任意iii型商品圖像的若干個紋理分塊，對所有紋理分塊的色彩偏斜程度進行篩選然后融合，得到所述iii型商品圖像的紋理復雜度，包括的具體方法為：
8.根據(jù)權(quán)利要求1所述一種基于深度學習的數(shù)據(jù)分類方法，其特征在于，所述將任意商品圖像的所有分塊的色彩偏移程度、亮度均衡程度、紋理復雜度進行融合，獲取商品圖像的特征指數(shù)，包括的具體方法為：
9.根據(jù)權(quán)利要求1所述一種基于深度學習的數(shù)據(jù)分類方法，其特征在于，所述利用商品圖像的特征指數(shù)對商品圖像進行分類，包括的具體方法為：
10.一種基于深度學習的數(shù)據(jù)分類系統(tǒng)，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)如權(quán)利要求1~9任意一項所述方法的步驟。