卷积神经网络主要有以下三大特征：
1) 局部连接
之前我们呢介绍的前馈神经网络相邻的两层之间，前一层的每一个神经元（或者是输入层的每一个单元）与后一层的每一个神经元都有连接，这种情况称为全连接。全连接网络的一个缺点就是参数太多。假设我们输入神经网络中的是一张三通道的彩色图片，图片大小为 128×128，那么，输入层就有 128×128×3=49150 个单元。
使用全连接神经网络的话，输入层到第一层隐藏层的每一个神经元都有 49150个连接，随着网络层数的增加和每一层中神经元数量的增加，网络中的参数也会急剧增加。大量的参数不仅会拉低神经网络训练的效率，也很容易造成过拟合。
在卷积神经网络中，层与层之间不再是全连接，而是局部连接，具体的实现方法就是卷积操作。
2) 权值共享
在卷积神经网络中，每一层卷积层中都会有一个或者多个卷积核（也称为滤波器）。这些卷积核可以识别图片中某些特定的特征，每个卷积核会去滑动卷积上一层的特征图，在卷积的过程中卷积核的参数是不变且共享的。
这样在训练过程中，与之前的全连接神经网络训练大尺度输入样本时需要大量参数相比，卷积神经网络只需要少得多的参数就可以完成训练。
3) 子采样
子采样层（Subsampling Layer），也称作池化层（Pooling Layer）， 作用是对上一卷积层进行聚合，使得上一层卷积层的输入特征图尺寸在经过该子采样层的聚合（即池化）后减小，从而降低特征和参数的数量。子采样层所做的事，其实就是对上一层卷积层进行扫描，每次扫描特定区域，然后计算该区域特征的最大值（最大池化，Maximum Pooling）或者平均值（平均池化，Mean Pooling），作为该区域特征的表示。
以上三个特征使得卷积神经网络具有一定程度上的缩放、平移和旋转不变性，并且相较于全连接神经网络，其网络参数也少了很多。
