1.一种卷积神经网络训练方法，其特征在于，包括：
将训练样品集中包含训练样品数目大于预定值的类别划分成多个子类别，其中所划分出的每个子类别所包含的训练样品数目小于或等于所述预定值；以及
根据划分出的子类别以及所述训练样品集中未经划分的类别训练卷积神经网络。
2.根据权利要求1所述的方法，其特征在于，所述根据划分出的子类别以及所述训练样品集中未经划分的类别训练卷积神经网络之前，所述方法还包括调整所述训练样品集中多个训练样品之间的相似度，以使得：
同一子类别的训练样品之间的相似度提升而不同子类别的训练样品之间的相似度降低；和/或，
同一类别的训练样品之间的相似度提升而不同类别的训练样品之间的相似度降低。
3.根据权利要求1所述的方法，其特征在于，所述根据划分出的子类别以及所述训练样品集中未经划分的类别训练卷积神经网络之前，所述方法还包括：
调整所述训练样品集中多个训练样品之间的相似度，以使得同一子类别的相似度最小的两个训练样品之间的相似度大于不同子类别的相似度最大的两个训练样品之间的相似度。
4.根据权利要求1所述的方法，其特征在于，所述根据划分出的子类别以及所述训练样品集中未经划分的类别训练卷积神经网络之前，所述方法还包括：
调整所述训练样品集中多个训练样品之间的相似度，以使得同一类别的相似度最小的两个训练样品之间的相似度大于不同类别的相似度最大的两个训练样品之间的相似度。
5.根据权利要求1-4任一所述的方法，其特征在于，所述根据划分出的子类别以及所述训练样品集中未经划分的类别训练所述卷积神经网络包括：
为所述训练样品集中的每个给定训练样品确定多个关联训练样品；以及
根据所述给定训练样品和所述多个关联训练样品共同训练所述卷积神经网络。
6.一种对象分类方法，其特征在于，包括：
利用如权利要求1-5中任一项所述的方法训练出的卷积神经网络对对象进行分类。
7.根据权利要求6所述的方法，其特征在于，所述对对象分类包括：
以所述对象为中心按照与所述对象的相似度从大到小的顺序选取预定数量的子类别；
在所述预定数量的子类别中各子类别属于同一类别时，将所述对象划分到与所述预定数量的子类别相同的类别。
8.根据权利要求6所述的方法，所述对对象分类包括：
以所述对象为中心按照与所述对象的相似度从大到小的顺序选取预定数量的子类别；
在所述预定数量的子类别中至少二个子类别属于不同类别时，
将所述对象划分到这样一种类别中，即，在所述预定数量的子类别中，所述对象与该类别中相似度最小的子类别之间的相似度与所述对象与其它类别的子类别中相似度最大的子类别之间的相似度差值最大。
9.一种卷积神经网络训练系统，其特征在于，包括：
聚类器，将训练样品集中的包含训练样品数目大于预定值的类别划分成多个子类别，其中所划分出的每个子类别所包含的训练样品数目小于或等于所述预定值；以及
训练器，根据划分出的子类别以及所述训练样品集中未经划分的类别训练所述卷积神经网络。
10.一种用于对象分类的分类器，其特征在于，在所述分类器上实施有如权利要求9所述的系统训练出的卷积神经网络以对对象进行分类。