1.一种基于深度学习的情绪识别的系统，该系统包括人脸图像采集模块，基于深度学习表情识别模块，表情预警模块；
所述的人脸图像采集模块，用于获取员工的人脸正面图像，并将图像按照员工的ID和打卡日期的方式存储到图像数据库中；
所述的基于深度学习表情识别模块，在训练阶段实现深度学习网络参数的精细化调整，在完成训练之后进行人脸情绪特征分类；
所述的表情预警模块,是在员工的人脸表情特征按照历史数据对照分析，根据出现异常表情等级和次数发出不同的预警级别。
2.根据权利要求1所述的基于深度学习的情绪识别的系统，其特征在于，所述的在训练阶段实现深度学习网络参数的精细化调整，是在16层深度卷积神经网络VGGNet网络架构上，卷积核大小均为3x3，所有池化层的大小为2x2，步长为2；采用在LFW数据上预训练得到的vgg_face模型参数作为初始化参数；根据标签的员工人脸数据来进行参数调整。
3.根据权利要求1所述的基于深度学习的情绪识别的系统，所述的表情预警模块构造多视图深度卷积神经网络包括按照七路视图分支为每一类视图构造包含3层卷积的网络，在之后采用池化进行融合，然后为3层全连接，最后通过Softmax进行分类输出，利用预训练的网络参数作为网络的初始权重。
4.根据权利要求1所述的基于深度学习的情绪识别的系统，其特征在于，所述的异常表情等级是在所分的高兴、平静、悲伤、愤怒、惊讶、厌恶与恐惧七种表情等级，其中的悲伤、愤怒、惊讶、厌恶与恐惧为异常等级。
5.一种基于深度学习的情绪识别的方法，其特征在于，包含如下步骤：
步骤1.人脸面部图像采集，获取员工的人脸正面图像，并将图像按照员工的ID和打卡日期进行命名，按照员工的ID为关键字存储到图像数据库中。；
步骤2.人脸面部图像预处理，将人脸面部图像调整为227*227大小的RGB图像；
步骤3.基于深度学习的面部表情识别，人脸面部图像通过已经训练好的VGGNet网络，计算得到人脸的情绪特征分类，并将情绪分类存储到员工的情绪数据库中；
步骤4.情绪对比分析及预警，在情绪数据库中将情绪异常的员工的过去一周的情绪进行对比，如果只有当天出席情绪异常，向相关的心理辅导人员发出预警，如果连续几天都是情绪异常，则发出严重告警。