卷积神经网络（CNN）是一种前馈神经网络，是一种深度学习模型中的经典结构。它的主要特点在于包括卷积层、池化层和全连接层等组成部分，可以提取输入数据中的特征。下面是详细介绍和举例说明：

1. 卷积层

卷积层是CNN的核心组成部分，它通过卷积运算来提取输入数据中的特征。卷积运算使用一组卷积核（kernel）扫描输入数据，并将卷积核与其中的数据进行点乘运算。卷积运算的结果是一个二维矩阵，其中的值表示输入数据和卷积核之间的相似度。卷积层通常包括多个卷积核，可以提取数据中不同的特征。

举例说明：在图像识别中，卷积层的作用是提取输入图像的特征，例如检测图像中的边缘、角落和纹理等。

2. 池化层

池化层是在卷积层之后添加的一种层次，它的主要作用是对输入数据进行降维操作。池化层使用窗口对输入数据进行扫描，并从窗口中选择最显著的值作为输出。这样可以减少层次之间的参数数量，提高训练效率和计算速度。

举例说明：在图像识别中，池化层的作用是对提取的特征图进行降维，例如对于卷积运算产生的特征图，使用池化运算可以将其降低到原始图像的1/2或更小，从而减少运算次数。

3. 全连接层

全连接层是CNN的最后一层，它将汇总所有提取的特征并输出个别预测。它将所有的特征图压缩成一个向量，然后使用softmax函数进行分类预测。

举例说明：在手写数字识别中，全连接层的输入是一组提取的数字图片特征，输出是一个数字类别的概率，表示输入图片属于哪个数字类别。