1.一种基于红外和拉曼光谱数据的人工智能学习物质分析方法，其特征在于，该方法包括以下步骤：
步骤一，对目标物质进行红外吸收光谱和拉曼发射光谱的采集，对于每种目标被测物质，进行n个不同样品的m次平行测试，因而得到n X m X 2组光谱数据；
步骤二，对获得的光谱数据进行基于以往类似物质数据的统计学分析，去除统计学上的意外或无效数据，从而获得有效光谱数据组；
步骤三，使用人工智能分析程序对有效光谱数据组进行无监督分类处理，并基于程序分析的结果对初始的n个样品进行分组；
步骤四，对每个分组内的样品进行抽样化学方法分析，获得每个抽样样品的准确化学组分数据；
步骤五，基于化学组分数据，用人工智能监督学习算法进行二次分类；
步骤六，重复步骤三至五直至程序习得准确有效的数据分析算法模型；
步骤七，利用习得的分析算法模型，该人工智能分析程序可用于对任意未知样品的光谱分析处理，并返回置信度可靠的物质成分分析结果。
2.如权利要求1所述中的基于红外和拉曼光谱数据的人工智能学习物质分析方法，其特征在于：
A： 对于n个被采集光谱的样品，只需对每个分组内的k个样品进行化学方法分析，其中k<<n；
B： 对于任意样品的分析，人工智能分析程序对其光谱数据的特异性和相似度进行自我修正和学习，并在多次迭代修正后返回置信度可靠的分类算法模型；
C： 对于不同的分析样品，分析程序将返回和存储习得的针对该种样品的算法模型；
D：对于任意样品，通过迭代习得的算法模型可直接用于同种样品的基于光谱数据的定性定量分析，返回化学组分及成分信息。
3.如权利要求1所述中的基于红外和拉曼光谱数据的人工智能学习物质分析方法，其特征在于，实际中采用的设备为台式，集成式，或便携式红外光谱仪和拉曼光谱仪。
4.如权利要求1所述中的所述中的基于红外和拉曼光谱数据的人工智能学习物质分析方法，其特征在于，实际中为运行在电脑端，智能手机端，云服务器端。
5.如权利要求1描述中的所述中的基于红外和拉曼光谱数据的人工智能学习物质分析方法，其特征在于，包含数量可自适应变动的逻辑层，每个层包含多个利用不同分析或映射模型算法的模块，每个模块之间和每个逻辑层之间由多维度向量相连；该模块可以使用的算法模型包括但不限于深度神经网络，卷积神经网络，循环神经网络，对抗神经网络，主成分分析和支持向量机；逻辑层数量，模块数量和种类，及向量数量和数值，均由程序本身针对特异样品实际光谱数据进行自我优化迭代调节。