先说结果再谈概念，个人理解，不恰当之处请大佬指点！

首先这个问题就不能说是一个恰当的问题，就图像处理角度来看，特征是数字图像映射到计算机处理的矩阵，而每个矩阵的数值就是一个特征点，由一幅图像组成的整个特征矩阵就是一个特征图，每输入网络的点（0~255数值）针对神经网络而言都是一个特征，不同维度的特征就是不同维度的特征向量。

故卷积、CNN并不是完全说是提取特征，而是对特征的一种处理或者说是转变（stride步长 > 1输出图像特征图尺寸小于输出特征图尺寸，dilation空洞卷积 > 1 可以增大感受野的同事保持特征图尺寸），所以卷积和卷积神经网络不过是针对图像方面的特征，处理起来更符合能达到预期结果。

应了那句：金银天然不是货币，货币天然是金钱，卷积神经网络在深度学习中依此，忘记哪看的了…

【注】相关专有名词会后续其他博文补充，先立个flag！

个人：特征是一种人们预期结果的中间或者最终产物的信息表达，特征图是由特征组成的。【说人话：图像中每个像素pixel点在计算机中的表达，RGB图像来说就是一个RGB组成的数值就是一个特征】

：图像特征主要有图像的颜色特征、纹理特征、形状特征和空间关系特征。

颜色特征是一种全局特征，描述了图像或图像区域所对应的景物的表面性质；纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质；形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征，图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域；空间关系特征，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。

图像特征：特征是一种图像成像固有的基本属性（颜色、纹理、形状等外貌）， 和组成的物质的基本属性类似。卷积神经网络只是能够更好的解决权重分配问题（例如一局棋，每一步对后面的影响各不相同，有大有小，致命的和无关紧要的）,像概率分布也可以解决权重问题，只是方式和形式某种程度说没有人工神经网络ANN那么优秀而已。而且更多“力量”把ANN注入到解决现实问题，所以发展迅猛。

参考视频：https://www.bilibili.com/video/BV1yg4y1b7dC

个人：就是一种叠加方式，eg：Z（家庭幸福度） = X（老妈复出量） + Y（老爸付出量） 姑且不考虑其他因素X与Y相互独立，某段时间的家庭幸福度：家庭幸福度 = 每个时刻父母的付出量的叠加进行求和（离散）或是积分求面积（连续变量） 。后续补充…

百度百科：在泛函分析中，卷积、旋积或摺积(英语：Convolution)是通过两个函数f和g 生成第三个函数的一种数学算子，表征函数f与g经过翻转和平移的重叠部分函数值乘积对重叠长度的积分。如果将参加卷积的一个函数看作区间的指示函数，卷积还可以被看作是“滑动平均”的推广。

​ 褶积（又名卷积）和反褶积（又名去卷积）是一种积分变换的数学方法，在许多方面得到了广泛应用。用褶积解决试井解释中的问题，早就取得了很好成果；而反褶积，直到最近，Schroeter、Hollaender和Gringarten等人解决了其计算方法上的稳定性问题，使反褶积方法很快引起了试井界的广泛注意。有专家认为，反褶积的应用是试井解释方法发展史上的又一次重大飞跃。他们预言，随着测试新工具和新技术的增加和应用，以及与其它专业研究成果的更紧密结合，试井在油气藏描述中的作用和重要性必将不断增大

后续补充…