一个完整的卷积神经网络，主要由输入层、隐含层、输出层构成，每一层都有不同的特征图，每个神经图又包含不同的神经元：

• 输入层：卷积神经网络的输入层主要用于处理数据，并通过神经网络算法对数据进行标准化处理，提升卷积神经网络学习的效率；
  
• 隐含层：这是卷积神经网络的核心层，包含卷积层、池化层和全连接层三种类型。卷积层一般用来提取不同输入数据的特征；池化层则用来过滤和选择数据特征；全连接层一般存在于连续的卷积层之间，主要起到传递信号的作用；
  
• 输出层：该层主要是通过逻辑函数等输出分类标签，一般输出层可输出不同的物体分类、大小等

卷积神经网络主要是用来处理图像信息，以前处理图像信息使用的是全连接前馈网络，随着隐藏层神经元增加，参数规模持续增长，神经网络训练的效率降低，容易出现拟合等问题；图像中的物体不管是移动还是改变尺寸，局部特征一般不会发生改变，也很难提取相关的特征。

卷积神经网络作为一种局部连接的深层前馈神经网络，在处理图像时可通过卷积核滤波轻松提取图像中的不同特征；同时卷积神经网络还具备自动提取模型和分类功能，能高效处理不同视觉任务。

卷积神经网络与前馈神经网络、BP 神经网络虽然都属于人工神经网络，但卷积神经网络在算法、用途方面，具有以下特点：

• 计算方法：卷积神经网络采用了深度结构的前馈神经网络；
  
• 应用领域：图像识别领域是卷积神经网络的核心算法之一，卷积神经网络主要用于计算机视觉识别等领域。卷积神经网络不仅可用于大规模图像识别，还能对图像进行精细分类识别；在物体识别方面，卷积神经网络能通过滑动窗口、选择性搜索和 YOLO 3 种方法进行物体识别，目前已应用于自动驾驶和交通实时监测系统。