卷积神经网络是进行图像处理的基础神经网络模型，其包含卷积、池化、激活函数和展平四个主要部分。
卷积是一种基本的信号处理操作，在图像处理中也得到广泛应用，基本原理是将一个输入的图像或信号与一个小的卷积核进行卷积运算，得到一个输出的特征图。如下图选取一个3x3的卷积核，对一个7x7的图像进行卷积操作，那么，将卷积核中的每个元素与图像中相应的像素值相乘，再将这些乘积相加，得到卷积操作的结果。这样就得到了一个卷积后的特征图，其中每个像素的值表示卷积核在对应位置上的卷积操作结果。
卷积过程
现在，特征图包含了卷积结果。由于有大量的特征图，因此存在大量的数据。此外，同一种特征在不同图像中可能具有不同的大小和方向。这两个问题都可以通过最大池化来解决。选择一个小的网格，然后保留最大值，从而减小数据的大小。
池化过程
经过最大池化后得到的图像特征需要被展开(flattened)成一列，以便在下一个人工神经网络中被用作输入层。这些特征形成了人工神经网络的输入层。最大池化的输出被转换成一列(column)。
展平过程
常常，在卷积后的图像接着通过激活函数进行处理。其中使用的激活函数是修正线性单元（Rectified Linear Unit，ReLU）。这种函数可以增加图像的非线性特征。
激活函数