Le reti neurali convoluzionali applicano piccoli filtri appresi sull'intero input per rilevare pattern locali (bordi, texture, forme), costruendo caratteristiche via via più complesse nei livelli più profondi. LeCun et al. (1998) hanno definito la CNN moderna per il riconoscimento dei documenti, e Krizhevsky et al. (2012) hanno dato il via all'era del deep learning quando la loro CNN (AlexNet) ha vinto con ampio margine la competizione ImageNet.
Le CNN restano centrali nella visione artificiale e vengono spesso combinate con i Transformer nei sistemi multimodali.