卷积神经网络（CNNs）彻底改变了计算模式识别过程。在广泛使用CNNs之前，大多数模式识别任务是使用类似上文所说的人工编写的特征提取加分类器实现的。 CNNs的重大突破是可以从训练实例中可以自动学习特征。 当应用于图像识别任务时，CNNs方法特别强大，因为卷积运算能够捕获图像的2D特征。通过使用卷积内核扫描整个图像，相对于总操作数来说，只需要学习较少的参数。 虽然使用CNN学习已经商用了二十多年，但由于两个重要的发展，近年来才出现了爆炸式增长。首先，大容量储存变得廉价，诸如ImageNet大规模视觉识别挑战（ILSVRC）等大标签数据集现在可广泛用于训练和验证。第二，CNNs学习算法在大规模并行图形处理单元（GPU）上实现，高性能图形处理器也变得相对廉价，这两个领域的发展极大地加速了CNNs的学习和推理能力。