卷积神经网络（Convolutional Neural Network，CNN）是一类专为处理网格状数据（主要是图像）设计的深度学习架构。它的核心创新是"卷积操作"：用一个小型滤波器（如3×3的矩阵）在图像上滑动扫描，自动提取局部特征，无需人工设计特征。
核心结构
- 卷积层：提取边缘、纹理等局部特征
- 池化层：压缩尺寸、保留主要特征、增强平移不变性
- 全连接层：把特征整合成最终分类结果
关键优势
参数共享（同一滤波器扫全图）+ 局部连接（只看局部区域），使 CNN 比全连接网络参数少得多、更适合图像，且天然具备平移不变性。
发展历程
1998年 LeNet 用于手写数字识别 → 2012年 AlexNet 以巨大优势赢得 ImageNet 竞赛，引爆深度学习浪潮 → 此后 ResNet、EfficientNet 等不断刷新精度。
应用
人脸识别、物体检测、医学影像分析、自动驾驶视觉、OCR 文字识别。虽然 Transformer（ViT）在部分图像任务上已超越 CNN，但 CNN 仍是计算机视觉领域最基础、最高效的架构之一。