Las redes neuronales convolucionales aplican pequeños filtros aprendidos sobre una entrada para detectar patrones locales (bordes, texturas, formas) y construir características complejas en las capas más profundas. LeCun et al. (1998) establecieron la CNN moderna para el reconocimiento de documentos, y Krizhevsky et al. (2012) dieron inicio a la era del aprendizaje profundo cuando su CNN (AlexNet) ganó la competición ImageNet por un amplio margen.
Las CNN siguen siendo centrales en visión y a menudo se combinan con Transformers en sistemas multimodales.