由于图像中含有大量的冗余信息，视觉和图像的识别是由许多特定的边缘信息来完成的。人眼看到的图像是由无数小块织成的。受此启发，人们发现卷积可以更好地提取图像的边缘信息，去除那些冗余的东西，并通过特定的卷积来提取特定的边缘，就像人眼一样，图像信息是通过局部感知来提取的。卷积运算应用于图像处理，有其生物学的理论基础，可以说是仿生学较为成功的应用。
假设你有一条直线，那么你肯定可以用y=kxb来描述它。
假设一条二阶曲线由y=axxbxc来描述
假设您要描述的模型没有表达式复杂。或者，在允许的误差范围内，您总是可以找到一组参数，使它们几乎一致。
以上只是一个例子。它也是初等数学。它有可以理解的特点。卷积是非线性的。这是可以证明的，但这是人类无法理解的。虽然卷积在图像处理中仍然可以理解，但不建议用理解来指导，因为它非常痛苦
最流行的解释是：卷积是加权平均，它是一个点及其周围点的加权平均。
或者可以认为卷积是一种滤波器。当然，取决于卷积核心，它可以是高通滤波器或低通滤波器。
如果在图像处理中使用卷积：低通滤波器是图像去噪，高通滤波器是锐化。
如果在图像识别中使用卷积：卷积是提取特征，可以是低频特征、高频特征或梯度特征（实际上是高频特征）。
卷积运算可分为求逆、平移、乘法和求和。在图像处理中，图像是一个大矩阵，卷积模板是一个小矩阵。根据上述过程，首先将小矩阵求逆，然后将其移动到某个位置。小矩阵的每个小格对应于大矩阵中的一个小格。然后将对应小格中的数相乘，将所有对应小格的乘法结果相加。最后将结果赋给小矩阵中心小格对应的图像中小格的值，代替原始值。这就是我们要说的，倒置，平移，乘法，求和。一般的图像卷积是从第一个像素（小格子）遍历到最后一个像素（小格子）。经过平滑、模糊、锐化后的边缘提取本质上都是卷积的，但模板是不同的。
