CNN有三个主要特征：局部连接，权值共享，输入/输出数据的结构化。
在卷积神经网络中，由于卷积的局部连接性，输出特征图上的每个节点的取值，是由卷积核在输入特征图上对应的位置进行卷积操作而得到的，因此这个节点的取值会受到该卷积层的输入特征图，也就是上一层的输出特征图上某个局部区域的影响。感受野的定义是，对于某层输出特征图的某点，在卷积神经网络的原始输入数据上能影响到这个点的取值的区域。
以二维卷积神经网络为例，如果网络的原始输入特征图的尺寸为
，记网络第
层节点的感受野大小为
，其中
分别代表宽和高两个方向，则可按照式(1-1)~式(1-4)来计算。
- 若第
层为卷积层或者池化层（pooling layer），则有
(1-1) 其中，
是第
层卷积核/池化核的尺寸，
是第
层的步长。特别地，对于第0层，即原始输入层，有：
(1-2)
- 若第
层为激活层、批归一化层等，则其步长为1，感受野大小为:
(1-3)
- 若第
层为全连接层，则其感受野的输入为整个输入数据全域，即：
(1-4)
