圖像特征的提取與分類一直是計算機強覺領域的一個基礎而重要的研究方向。卷積神經網絡（ Convolutional Neural　Network，CNN）提供了一種端到端的學習模型，模型中的參數可以通過傳統(tǒng)的梯度下降方法進行訓練，經過訓練的卷積神經網絡能夠學習到圖像中的特征，并且完成對圖像特征的提取和分類。作為神經網絡領域的一個重要研究分支，卷積神經網絡的特點在于其每一層的特征都由上一層的局部區(qū)域通過共享權值的卷積核激勵得到。這一特點使得卷積神經網絡相比于其他神經網絡方法更適合應用于圖像特征的學習與表達。

　　早期的卷積神經網絡結構相對簡單，如經典的LeNet-5模型，主要應用在手寫字符識別、圖像分類等一些相對單一的計算機視覺應用領域中。隨著研究的不斷深入，卷積神經網絡的結構不斷優(yōu)化，其應用領域也逐漸得到延伸。例如，卷積神經網絡與深信度網絡（ Deep Belief Network，DBN）相結合產生的卷積深信度網絡（ Convolutional Deep Belief Network．CDBN）口1作為一種非監(jiān)督的生成模型，被成功地應用于人臉特征提??；AlexNet在海量圖像分類領域取得了奕破性的成果；基于區(qū)域特征提取的R-CNN（ Regions with CNN）在目標檢測領域取得了成功；全卷積網絡（ Fully Convolutional　Network，FCN）口1實現了端到端的圖像語義分割，并且在準確率上大幅超越了傳統(tǒng)的語義分割算法。近年來，卷積神經網絡的結構研究仍然有著很高的熱度，一些具有優(yōu)秀性能的網絡結構被提出哺。并且，隨著遷移學習理論在卷積神經網絡上的成功應用，卷積神經網絡的應用領域得到了進一步的擴展。卷積神經網絡在各個領域不斷涌現出來的研究成果，使其成為了當前最受關注的研究熱點之一。