1.一种基于本地训练的深度学习系统，其特征在于，包括：采集单元、逻辑控制单元、本地训练单元和识别单元；
所述采集单元，与所述逻辑控制单元相连接，用于采集原始信号，并将所述原始信号发送给所述逻辑控制单元；
所述逻辑控制单元，与所述本地训练单元通过通用接口相连接，用于将所述原始信号发送给所述本地训练单元，并接收所述本地训练单元发送的权值参数，将所述权值参数、所述原始信号和初始化信息发送给所述识别单元；
所述本地训练单元，用于根据所述原始信号得到本地训练样本，对所述本地训练样本进行前向传播过程和反向传播过程得到所述权值参数，并将所述权值参数发送给所述逻辑控制单元；
所述识别单元，与所述逻辑控制单元相连接，用于根据所述权值参数和所述原始信号进行前向传播过程得到特征向量，根据所述特征向量得到判定结果，并将所述判定结果发送给所述逻辑控制单元。
2.根据权利要求1所述的基于本地训练的深度学习系统，其特征在于，所述本地训练单元包括前向传播电路和反向传播电路；
所述前向传播电路，用于对所述本地训练样本进行所述前向传播过程，其中，所述前向传播过程包括卷积计算、池化计算和全连接计算，并根据计算结果得到各层残差、各层权值参数，将所述各层残差、所述各层权值参数发送给所述反向传播电路；
所述反向传播电路，用于通过最小化所述残差调整所述权值参数以进行所述反向传播过程，并得到所述权值参数。
3.根据权利要求1所述的基于本地训练的深度学习系统，其特征在于，所述本地训练单元与所述逻辑控制单元通过USB接口或Ethernet接口相连接。
4.根据权利要求1所述的基于本地训练的深度学习系统，其特征在于，所述本地训练单元为现场可编程门阵列FPGA或图形处理器GPU。
5.根据权利要求2所述的基于本地训练的深度学习系统，其特征在于，所述前向传播电路和反向传播电路均采用并行电路进行计算。
6.一种基于本地训练的深度学习方法，其特征在于，包括：
采集原始信号；
对所述原始信号进行本地训练，得到权值参数；
对所述原始信号和所述权值参数进行编码处理，得到特征向量；
根据所述特征向量得到判定结果。
7.根据权利要求6所述的基于本地训练的深度学习方法，其特征在于,所述将所述原始信号进行本地训练，得到权值参数包括：
对所述原始信号进行归一化预处理得到统一格式的本地训练样本；
判断对所述原始信号的采样是否结束；
如果未结束，则继续采集所述原始信号；
如果结束，则根据所述本地训练样本计算所述权值参数。
8.根据权利要求7所述的基于本地训练的深度学习方法，其特征在于，所述根据所述本地训练样本计算所述权值参数包括：
对所述本地训练样本进行前向传播过程计算得到各层残差、各层权值参数和分类精度；
对所述残差和所述权值参数进行反向传播过程计算，并判断所述分类精度是否达到预设阈值；
如果未达到所述预设阈值，则根据调整后的权值参数进行迭代计算，直到所述分类精度达到所述预设阈值。
9.根据权利要求6所述的基于本地训练的深度学习方法，其特征在于，所述将所述原始信号和所述权值参数进行编码处理，得到特征向量包括：
生成初始化信息；
将所述权值参数、所述原始信号和所述初始化信息进行编码转换；
对所述编码转换后的权值参数进行存储，并根据所述编码转换后的初始化信息分配计算资源；
将所述编码转换后的权值参数和所述编码转换后的原始信号进行卷积计算、池化计算和全连接计算得到所述特征向量。
10.根据权利要求6所述的基于本地训练的深度学习方法，其特征在于，所述根据所述特征向量得到判定结果包括：
通过将所述特征向量输入分类器中进行分类得到所述判定结果；
或者；
通过将所述特征向量与指定的对比向量进行比较得到相似度。