1.一种基于深度神经网络的室内定位系统，其特征在于：包括移动终端、温度传感器、湿度传感器、摄像头、互联网、路由器、定位服务器和神经网络芯片，所述移动终端与所述路由器双向连接；

所述温度传感器的输出连接所述路由器的输入；

所述湿度传感器的输出连接所述路由器的输入；

所述摄像头的输出连接所述路由器的输入；

所述路由器与所述定位服务器双向连接；

所述定位服务器与所述神经网络芯片双向连接；

所述移动终端与所述路由器、所述温度传感器与所述路由器、所述湿度传感器与所述路由器、所述摄像头与所述路由器通过互联网连接。

2.根据权利要求1所述的一种基于深度神经网络的室内定位系统，其特征在于：所述神经网络芯片可以内置于平板电脑、笔记本电脑，或者两者合一的设备。

3.根据权利要求1所述的一种基于深度神经网络的室内定位系统，其特征在于：所述神经网络芯片可以做成计算机板卡形式，插入个人台式计算机、服务器、工作站、以及大中型计算机中，构建大规模神经网络。

4.一种基于深度神经网络的室内定位方法，其特征在于：所述基于深度神经网络的室内定位方法包括离线训练阶段和在线定位阶段；

所述离线训练阶段包括以下步骤：

步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；

步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并进行分类，将分类后的特征向量分别储存，并记录非监督卷积神经网络的权重值；

步骤三，向分类储存的特征向量中添加对应的温度与湿度信息，得到最终的标签向量；

步骤四，通过路由器接收训练用移动终端发出信道信息数据，将信道信息数据根据对应的标签分类，将每一类信道信息数据分别输入监督深度神经网络中，反复训练得到多组指纹向量与对应的最佳深度神经网络权重值；

所述在线定位阶段包括以下步骤：

步骤一，通过摄像头、温度传感器和湿度传感器分别收集室内定位环境中的图像、温度和湿度数据，将摄像头收集到的图像数据进行图像预处理；

步骤二，将预处理后的图像数据输入非监督卷积神经网络中，提取特征向量并借助卷积神经网络权重值进行计算，得出特征向量；

步骤三，向计算得出的特征向量中添加对应的温度与湿度信息，得到最终的特征向量，将特征向量与标签向量比对，选择对应的最佳深度神经网络权重值；

步骤四，通过路由器接收室内定位目标用户持有的移动终端发出的信道信息数据，将信道信息数据输入监督深度神经网络中，并与对应的最佳深度神经网络权重值进行计算，得出用户持有的移动终端所处室内位置的指纹向量；

步骤五，将得出的指纹向量与离线训练阶段得出的多组指纹向量比对，选出最接近的指纹向量，并确定对应的定位位置，通过互联网将位置反馈给用户。

5.根据权利要求4所述的一种基于深度神经网络的室内定位方法，其特征在于：所述离线训练阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为数据增强、去均值或归一化；所述在线定位阶段的步骤一中，将摄像头收集到的图像数据进行预处理的处理方法为去均值或归一化。

6.根据权利要求4所述的一种基于深度神经网络的室内定位方法，其特征在于：预处理后的图像数据输入非监督卷积神经网络后，依次通过二维卷积层、激活函数层、规范层与池化层，重复三轮，再用铺平层将数据转化为特征向量，最后使用激活层进行分类。

7.根据权利要求6所述的一种基于深度神经网络的室内定位方法，其特征在于：所述激活函数层的激活函数为带泄露线性整流函数，所述池化层使用的池化方法为最大池化法。

8.根据权利要求4所述的一种基于深度神经网络的室内定位方法，其特征在于：所述信道信息数据输入监督卷积神经网络后，依次通过全连接层、激活函数层与规范层，重复四轮，最后使用激活层进行分类。

9.根据权利要求8所述的一种基于深度神经网络的室内定位方法，其特征在于：所述激活函数层的激活函数为带泄露线性整流函数。