[摘要]本文主要介绍了卷积神经网络的基本原理和分类，详细描述了其在各行各业的有关研究及应用；对卷积神经网络的应用提出了建议
[关键词]卷积神经网络；分类及发展；应用
一、卷积神经网络理论概述
（一）卷积神经网络基本原理
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，也是深度学习(deep learning)的代表算法之一。它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。卷积神经网络在物理学、遥感科学等领域都有着十分重要的地位。
卷积神经网络基本结构如图(1)所示。图中Input为输入层，作用是将卷积神经网络的输入特征进行标准化处理，有利于提升卷积神经网络的学习效率和表现；Convolutional layer为卷积层，卷积层参数包括卷积核大小、步长和填充，三者共同决定了卷积层输出特征图的尺寸；Pooling表示池化层，在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量；Fully-connected表示全连接层，全连接层的作用则是对提取的特征进行非线性组合以得到输出，即全连接层本身不被期望具有特征提取能力，而是试图利用现有的高阶特征完成学习目标。Outputs表示输出层，对于图像分类问题，输出层使用逻辑函数或归一化指数函数（softmax function）输出分类标签。在物体识别（object detection）问题中，输出层可设计为输出物体的中心坐标、大小和分类。在图像语义分割中，输出层直接输出每个像素的分类结果。
图(1)
（二）卷积神经网络的发展
