卷積神經網絡（Convolutional Neural Networks,?CNN）是壹類包含卷積計算且具有深度結構的前饋神經網絡（Feedforward Neural Networks），是深度學習（deep learning）的代表算法之壹。
對卷積神經網絡的研究始於二十世紀80至90年代，時間延遲網絡和LeNet-5是最早出現的卷積神經網絡；在二十壹世紀後，隨著深度學習理論的提出和數值計算設備的改進，卷積神經網絡得到了快速發展，並被應用於計算機視覺、自然語言處理等領域。
性質
卷積神經網絡中卷積層間的連接被稱為稀疏連接（sparse connection），即相比於前饋神經網絡中的全連接，卷積層中的神經元僅與其相鄰層的部分，而非全部神經元相連。具體地，卷積神經網絡第l層特征圖中的任意壹個像素（神經元）都僅是l-1層中卷積核所定義的感受野內的像素的線性組合。
卷積神經網絡的稀疏連接具有正則化的效果，提高了網絡結構的穩定性和泛化能力，避免過度擬合，同時，稀疏連接減少了權重參數的總量，有利於神經網絡的快速學習，和在計算時減少內存開銷。