CNN可以用來識別位移、縮放及其它形式扭曲不變性的二維或三維圖像。CNN的特征提取層參數是通過訓練數據學習得到的，所以其避免了人工特征提取，而是從訓練數據中進行學習；其次同一特征圖的神經元共享權值，減少了網絡參數，這也是卷積網絡相對于全連接網絡的一大優勢。共享局部權值這一特殊結構更接近于真實的生物神經網絡使CNN在圖像處理、語音識別領域有著獨特的優越性，另一方面權值共享同時降低了網絡的復雜性，且多維輸入信號（語音、圖像）可以直接輸入網絡的特點避免了特征提取和分類過程中數據重排的過程。

CNN是一種特殊的深層的神經網絡模型，它的特殊性體現在兩個方面，一方面它的神經元的連接是非全連接的，另一方面同一層中某些神經元之間的連接的權重是共享的（即相同的）。它的非全連接和權值共享的網絡結構使之更類似于生物神經網絡，降低了網絡模型的復雜度（對于很難學習的深層結構來說，這是非常重要的），減少了權值的數量。

CNN是一種深度的監督學習下的機器學習模型，具有極強的適應性，善于挖掘數據局部特征，提取全局訓練特征和分類，它的權值共享結構網絡使之更類似于生物神經網絡，在模式識別各個領域都取得了很好的成果。

稀疏連接：在BP神經網絡中，每一層的神經元節點是一個線性一維排列結構，層與層各神經元節點之間是全連接的。卷積神經網絡中，層與層之間的神經元節點不再是全連接形式，利用層間局部空間相關性將相鄰每一層的神經元節點只與和它相近的上層神經元節點連接，即局部連接。這樣大大降低了神經網絡架構的參數規模。

權重共享：在卷積神經網絡中，卷積層的每一個卷積濾波器重復的作用于整個感受野中，對輸入圖像進行卷積，卷積結果構成了輸入圖像的特征圖，提取出圖像的局部特征。每一個卷積濾波器共享相同的參數，包括相同的權重矩陣和偏置項。共享權重的好處是在對圖像進行特征提取時不用考慮局部特征的位置。而且權重共享提供了一種有效的方式，使要學習的卷積神經網絡模型參數數量大大降低。

最大池采樣：它是一種非線性降采樣方法。在通過卷積獲取圖像特征之后是利用這些特征進行分類。可以用所有提取到的特征數據進行分類器的訓練，但這通常會產生極大的計算量。所以在獲取圖像的卷積特征后，要通過最大池采樣方法對卷積特征進行降維。將卷積特征劃分為數個n*n的不相交區域，用這些區域的最大(或平均)特征來表示降維后的卷積特征。這些降維后的特征更容易進行分類。

最大池采樣在計算機視覺中的價值體現在兩個方面：(1)、它減小了來自上層隱藏層的計算復雜度；(2)、這些池化單元具有平移不變性，即使圖像有小的位移，提取到的特征依然會保持不變。由于增強了對位移的魯棒性，最大池采樣方法是一個高效的降低數據維度的采樣方法。

Softmax回歸：它是在邏輯回歸的基礎上擴張而來，它的目的是為了解決多分類問題。在這類問題中，訓練樣本的種類一般在兩個以上。Softmax回歸是有監督學習算法，它也可以與深度學習或無監督學習方法結合使用。

CNN是一種帶有卷積結構的深度神經網絡，通常至少有兩個非線性可訓練的卷積層，兩個非線性的固定卷積層（又叫Pooling Laye）和一個全連接層，一共至少5個隱含層。

卷積神經網絡中，輸入就是一幅幅的圖像，權值W就是卷積模板，一般是卷積層和下采樣層交替，最后是全連接的神經網絡。

局部區域感知能夠發現數據的一些局部特征，比如圖片上的一個角，一段弧，這些基本特征是構成動物視覺的基礎。

CNN中每一層的由多個map組成，每個map由多個神經單元組成，同一個map的所有神經單元共用一個卷積核（即權重），卷積核往往代表一個特征，比如某個卷積核代表一段弧，那么把這個卷積核在整個圖片上滾一下，卷積值較大的區域就很有可能是一段弧。注意卷積核其實就是權重，我們并不需要單獨去計算一個卷積，而是一個固定大小的權重矩陣去圖像上匹配時，這個操作與卷積類似，因此我們稱為卷積神經網絡，實際上，BP也可以看作一種特殊的卷積神經網絡，只是這個卷積核就是某層的所有權重，即感知區域是整個圖像。權重共享策略減少了需要訓練的參數，使得訓練出來的模型的泛華能力更強。