卷积层是卷积神经网络（CNN）的基本构建块，广泛应用于图像分类和目标检测等任务。这些层旨在通过应用卷积操作自动提取输入数据（通常是图像）中的特征。简单来说，卷积层接受一幅图像，并在其上滑动小的滤波器（或卷积核），与相应像素值进行逐元素相乘。此操作有助于识别图像中的模式，例如边缘或纹理。
卷积层中的每个滤波器都比输入图像小，通常以随机权重初始化。在网络训练过程中，这些权重会根据输出的误差进行调整，使得模型能够学习哪些特征对当前特定任务是重要的。例如，在早期层中，滤波器可能会检测简单的特征，如边缘和颜色，而在更深层中则可以捕捉到更复杂的结构，例如形状或特定物体。卷积层的输出通常被称为特征图，它表示特定特征在输入图像的空间维度上的存在。
此外，卷积层通常还包括激活函数，如ReLU（修正线性单元），它为模型引入非线性。这种非线性使网络能够学习更复杂的模式。步幅（滤波器的步长）和填充（在输入周围添加额外像素）等参数可以进行调整，以影响输出特征图的大小。总体而言，卷积层对于构建稳健的CNN架构至关重要，使得能够从图像中提取层次化特征，这最终提高了计算机视觉任务的性能。