卷積神經網路CNN (Convolutional Neural Network)，是一種前饋神經網路，它的類神經元可以回應一部分覆蓋範圍內的周圍單元。由一個或多個卷積層和頂層的全連通層組成，也包含關聯權重和池化層。最主要又分為三層。

設計的目標最初就是用來處理以多陣列型態表達的資料，像是以RGB三通道表達的彩色圖片。

CNN和傳統神經網路的差異
最大的差異在於CNN是對原始圖像直接操作，而傳統神經網路是人為先對影像提取特徵 (例如 : 灰階化、二值化)再來操作。

CNN三大特點

1. 感知區域 (Receptive field) : 可採用三維的圖像資料 (width、height、depth)與神經元連接方式，也可以直接採用2維的圖像資料，但隱含層內部的神經原只與原本圖像的某一小塊有關連。
2. 局部關聯採樣 (Local connectivity) : 根據感知區域的概念，CNN使用過濾器來增強與該局部區域的相關性，並且堆疊多層，來達到非線性濾波的功能且擴及全域。(就是擷取小部分區域較好的特徵值來代表大區塊的特徵值代表值)
3. 共享權重 (Shared weights) : 使用的過濾器(filters)可以重複使用，當原始圖像產生一定的特徵圖(feature map)時，它的權重向量(weights vector)及偏誤(bias)是共用的。(因為使用相同的權重跟特徵，可以確保即使使用的圖像位置有旋轉，也是可以被徵測的)