卷积神经网络早期在手写数字识别[12]已经显示出很好的效果.由于当时内存和硬件的限制无法获得大量的训练数据,使得网络无法扩展更大的图像,导致当时研究热度减少.由于广泛的可用性和GPU的增加使计算能力强大,2012年Alex Krizhevsky[8]在卷积神经网络模型中引入大型数据集,把分类误差记录从26%降到了15%,在很大程度上启发了深层网络在计算机视觉领域的使用.这几年来,卷积神经网络在计算机视觉方面获得了很多突破以往的研究成就和结果.它强大的特征学习能力以及分类的本领在整个领域中得到了各方面的极大的注意,越来越多的研究者意识到卷积神经网络具有重要的分析和探究的必要性的价值.(1)首先介绍卷积神经网络的开展过程和相关历史与背景,简单介绍关于卷积神经的基本结构和运行的理论.(2)作为深度学习的开端,介绍Alex Net[8]网络的基本构成,阐述该模型的优点,接着,大型网络与深度模型接二连三被提出,进而得出卷积神经网络学习能力的强大,引出迁移学习的能力的存在.(3)随着对卷积神经网络的研究与改进方法越来越多,从结构改进、正则化、激活函数的选用这三个方面对卷积神经网络在最近的探究做了一个总结以及讨论分析.最后,归纳出卷积神经网络的相关研究以及在应用领域中的应用还有其中取得的最新的研究成果,最终我们还明确了卷积神经网络现在阶段存在的缺陷和未来的研究以及应用的方向.