深度学习善于从原始输入数据中挖掘越来越抽象的特征表示，而这些表示 具有良好的泛化能力．它克服了过去人工智能中被认为难以解决的一些问题．且随着训练数据集数量的显著增长 以及芯片处理能力的剧增，它在目标检测和计算机视觉、自然语言处理、语音识别和语义分析等领域成效卓然，因 此也促进了人工智能的发展．深度学习是包含多级非线性变换的层级机器学习方法，深层神经网络是目前的主要 形式，其神经元间的连接模式受启发于动物视觉皮层组织，而卷积神经网络则是其中一种经典而广泛应用的结构． 卷积神经网络的局部连接、权值共享及池化操作等特性使之可以有效地降低网络的复杂度，减少训练参数的数目， 使模型对平移、扭曲、缩放具有一定程度的不变性，并具有强鲁棒性和容错能力，且也易于训练和优化．基于这些优 越的特性，它在各种信号和信息处理任务中的性能优于标准的全连接神经网络．该文首先概述了卷积神经网络的 发展历史，然后分别描述了神经元模型、多层感知器的结构．接着，详细分析了卷积神经网络的结构，包括卷积层、 池化层、全连接层，它们发挥着不同的作用．然后，讨论了网中网模型、空间变换网络等改进的卷积神经网络．同时， 还分别介绍了卷积神经网络的监督学习、无监督学习训练方法以及一些常用的开源工具．此外，该文以图像分类、 人脸识别、音频检索、心电图分类及目标检测等为例，对卷积神经网络的应用作了归纳．卷积神经网络与递归神经 网络的集成是一个途径．为了给读者以尽可能多的借鉴，该文还设计并试验了不同参数及不同深度的卷积神经网 络来分析各参数间的相互关系及不同参数设置对结果的影响．最后，给出了卷积神经网络及其应用中待解决的若 干问题
