在计算机视觉中，有时简称为高斯函数。 高斯函数具有五个重要性质，这些性质在早期图像处理中特别有用。 这些性质说明高斯平滑滤波器是无论在空间域还是频域中都非常有效的低通滤波器，在实际的图像处理中得到了工程人员的有效使用。 高斯函数具有五个非常重要的性质，它们是：
旋转对称性是指高斯平滑滤波器在后续边缘检测中不偏向任何方向。
该性质很重要，因为边缘是图像局部特征，所以如果平滑运算对远离算子中心的像素点也发挥较大的效果，则图像会因平滑运算而变形.
)3)高斯函数的傅立叶变换谱为单瓣。 这一性质是高斯函数的傅立叶变换就是高斯函数本身这一事实的直接推论。 图像经常被不需要的高频信号污染(噪声和细纹理)，而边缘等期望的图像特征同时包含低频分量和高频分量。 高斯函数傅立叶变换的单瓣意味着平滑图像不受不需要的高频信号的污染，并且留下了大部分所需信号。
)4)高斯滤波器的宽度)由参数表示，与平滑的关系非常简单。 越大，高斯滤波器的频带越宽，平滑程度越好。 通过调节平滑程度参数，可以在图像特征过于模糊(过于平滑)和由噪声或细小纹理引起的不必要的突变量过多)之间进行权衡。
(5)高斯函数的分离性可以有效地实现大高斯滤波器。 可以分为两个阶段来卷积二维高斯函数：首先卷积图像和一维高斯函数，然后卷积方向与卷积结果垂直的相同的一维高斯函数。