卷积神经网络（Convolutional Neural Network, CNN）是一种深度学习模型，主要应用于计算机视觉任务，如图像分类、物体检测等。它通过卷积层、池化层和全连接层等组件来实现对图像的特征提取和分类。

现在我们以一个简单的图像分类任务为例来说明什么是卷积神经网络。假设我们有一个数据集，包含了猫和狗的图像，目标是训练一个模型，能够对输入的图像进行正确分类。

一个简单的卷积神经网络结构可能包括以下几个层次：

1. 输入层：将原始图像数据（如RGB图像的像素值）输入到模型中。

2. 卷积层：在这一层中，卷积神经网络通过卷积操作提取图像的局部特征。卷积操作是将图像上的一个小区域（如3x3或5x5的窗口）与一个卷积核（即权重矩阵）进行元素相乘并求和，从而得到一个新的值。遍历整个图像，可以得到一个新的特征图。在卷积层中，通常包含多个不同的卷积核，用于提取不同的特征。

3. 激活层：为了引入非线性特性，通常在卷积层之后使用激活函数，如ReLU（Rectified Linear Unit）激活函数，将卷积层输出的特征图进行非线性变换。

4. 池化层：池化操作通常在卷积层之后进行，用于降低特征图的维度，减少计算量和参数数量，从而提高模型的泛化能力。常见的池化操作有最大池化（Max Pooling）和平均池化（Average Pooling）。

5. 全连接层：当卷积神经网络通过多个卷积层和池化层提取到足够的特征后，全连接层将所有特征图展平成一个一维向量，并进行分类或回归任务。在多分类问题中，通常在全连接层的输出使用Softmax激活函数，得到每个类别的概率值。

通过这些层次，卷积神经网络可以学习到图像的层次特征，从低级的边缘和纹理到高级的物体部件和整体结构。在训练过程中，卷积核和全连接层的权重参数会通过梯度下降等优化算法不断更新，以最小化分类误差。当训练完成后，我们可以将这个模型用于对新的图像进行分类。