1.一种多种类数据识别方法，其特征在于，所述方法执行以下步骤：步骤1：设置多个不同种类的数据类别池，所述数据类别池的数量与数据种类相等；建立多个不同种类的数据识别器，所述数据识别器的数量与数据种类相等；

步骤2：进行数据粗识别，具体包括：分别使用每个数据识别器对待识别数据进行数据识别，在识别过程中，将包含有与当前数据识别器所对应的种类相同的数据筛选出来，并填充进入所对应的相同种类的数据类别池中；当所有的数据识别器都完成数据识别后，将有数据填充的数据池进行池交叉对比；

步骤3：进行数据池交叉对比，具体包括：将所有数据填充的数据池均分别视为一个集合，然后进行集合的交集运算，找到每个数据池中与其他数据池的交集部分；

步骤4：进行数据识别器的调整，具体包括：基于交集部分所对应的数据池的种类，将数据识别器进行组合或调整，以生成对交集部分进行数据识别的细数据识别器；

步骤5：进行数据细识别，完成数据细识别，具体包括：将数据池交叉对比后，将得到的所有的交集部分提取出来，再分别使用每个细数据识别器进行识别，将交集部分的数据划分为多个数据分组，每个数据分组中只包含一个种类的数据；

步骤6：进行数据重新组合，完成数据识别，具体包括：将数据细识别得到的多个数据分组分别与对应种类的数据进行数据重新组合，完成数据识别；

所述数据类别池的种类至少包括：图像数据类别池、文字数据类别池和声音数据类别池；所述数据识别器的种类至少包括：图像数据识别器、文字数据识别器和声音数据识别器；

所述图像数据识别器使用如下公式表示： ；

其中， 为待识别数据的数据头标识，取值为1 3； 为待识别数据的个数； 为计算得到~

的图像数据识别值； 为待识别数据中某个数据出现的概率； 为待识别数据中某个数据的位数； 为待识别数据中某个数据对应的数据矩阵的某个点的纵坐标值； 为待识别数据中某个数据对应的数据矩阵的某个点的横坐标值； 为梯度函数；当计算得到的图像数据识别值在设定的图像识别阈值范围内时，则判断图像数据识别器识别的数据为图像数据。

2.如权利要求1所述的多种类数据识别方法，其特征在于，所述文字数据识别器使用如下公式表示： ；其中， 为调整系数，取值范围为：

20 50； 为计算得到的文字数据识别值，当计算得到的文字数据识别值在设定的文字识~

别阈值范围内时，则判断文字数据识别器识别的数据为文字数据。

3.如权利要求2所述的多种类数据识别方法，其特征在于，所述声音数据识别器使用如下公式表示： ；其中， 为调整系数，取值范围为：1

5； 为计算得到的声音数据识别值，当计算得到的声音数据识别值在设定的声音识别阈~

值范围内时，则判断声音数据识别器识别的数据为声音数据。

4.如权利要求1所述的多种类数据识别方法，其特征在于，所述步骤4中基于交集部分所对应的数据池的种类，将数据识别器进行组合或调整，以生成对交集部分进行数据识别的细数据识别器的方法包括：当交集部分对应的数据池的种类的数量等于数据识别器的种类的数量时，则将所有的数据识别器进行组合，得到细数据识别器；当交集部分对应的数据池的种类的数量小于数据识别器的种类的数量时，则将从所有的数据识别器中筛选出与交集部分所对应的数据池的种类的数量相等的数据识别器进行组合，得到细数据识别器，同时筛选出的数据识别器的种类与交集部分对应的数据池的种类一一对应。

5.如权利要求4所述的多种类数据识别方法，其特征在于，所述步骤6中进行数据重新组合，完成数据识别的方法包括：提取数据的数据头，在数据头中找到数据的时间标识，基于找到的时间标识，按照时间先后顺序，将数据进行组合。

6.如权利要求5所述的多种类数据识别方法，其特征在于，所述当交集部分对应的数据池的种类的数量等于数据识别器的种类的数量时，则将所有的数据识别器进行组合，得到细数据识别器的方法包括：将所有的数据识别器进行并联，在对数据进行识别时，所有的数据识别器并行工作。

7.如权利要求6所述的多种类数据识别方法，其特征在于，所述当交集部分对应的数据池的种类的数量小于数据识别器的种类的数量时，则将从所有的数据识别器中筛选出与交集部分所对应的数据池的种类的数量相等的数据识别器进行组合，得到细数据识别器的方法包括：将筛选出的数据识别器进行并联，在对数据进行识别时，所有的数据识别器并行工作。