卷积神经网络的核心思想是设计多个卷积层。 卷积层设计有一系列卷积核，输入数据经过卷积层的卷积核处理，相继前进得到最终的输出数据。 这个过程称为数据的特征提取。
卷积核由上述综述可以看出，卷积核是卷积神经网络的核心，因此被称为卷积神经网络。 要了解卷积神经网络的原理，必须了解卷积核；要了解卷积核，必须从图像处理中了解。
上图大致描述了图像处理的原理。利用一定大小的矩阵在图像上滑动矩阵，与矩阵所覆盖区域（邻域）像素进行加、乘运算允许一个特定矩阵实现特定的图像处理功能，设计不同的矩阵(设计矩阵的不同参数)，以及实现不同的功能。 为了便于理解，Sobel算子用于提取图像中的边缘信息，下图左侧用于提取水平边缘，右侧用于提取垂直边缘。 他们都设计特定的矩阵，在图像上滑动扫描图像信息，提取图像内的边缘信息
上述矩阵在图像处理中称为核，图像滤波、图像增强、边缘检测等算法都设计特定的核实现特定的功能，卷积神经网络中称为卷积核，他们的本质是一样的（即数学计算原理一致），作用也是一样的（学习/提取特征），区别在于图像处理中核的参数有人为设计，参数设计不同可以实现不同的功能，而卷积核的参数是自主学习得到
工作原理卷积神经网络特征学习分为自主特征学习、多特征学习、复杂特征学习三个步骤，以下从这三个部分进行详细说明
自主特征学习表明，通过设计不同的参数可以学习图像中的不同特征，有没有方法可以自动设计核的参数，实现特定特征的学习呢？卷积神经网络通过设计损失函数，通过反复迭代来最小化预测结果和实际结果的误差来驱动卷积核中的参数调整
由于多特征学习往往单个特征是不够的，卷积层中一般设计多个卷积核，每个卷积核可以独立的学习某个特征提供了丰富的特征类型，有利于最终决策。 这就像对某个时间做出决定一样，信息量越大(特征越多)，最终决定可能就越正确。
复杂的特征学习即使学习的特征类型很多，如果学习的特征比较简单，那么面对复杂的问题也可能无法做出好的决策。卷积神经网络将该层学习到的特征送到下一层，在已学习到的特征基础上进一步学习更加复杂的特征由此，层层推进，最终学习到了足够复杂的特征。
综上所述，可以看出卷积神经网络可以自主调整卷积核的参数自主学习特征，通过设计多个卷积核实现多特征学习，学习多层连续复杂的特征。 这些特征保证了卷积神经网络具有较强的学习能力和自适应能力，因此可以得到比传统的人工设计特征的方式更好的表达