深度学习中最常用的神经网络模型就是卷积神经网络（Convolutional Neural Network，简称CNN）。CNN广泛应用于计算机视觉、自然语言处理、语音识别等领域，是深度学习领域最为成功的模型之一。下面就从CNN的起源、结构、训练和应用四个方面来进一步扩充答案。
CNN最初由Lecun等人于1989年提出，其作为神经网络的一种变体在图像处理领域得到了广泛应用。CNN的名称来源于其特殊的神经网络结构，它使用了一些特殊的层级来对输入的图像或者其他高维数据进行处理。
CNN主要由卷积层、池化层和全连接层三种类型的层级组成。卷积层和池化层是CNN的核心，全连接层则负责输出分类结果。
卷积层是CNN的核心层级，它通过应用卷积核对输入的图像或者其他高维数据进行降维处理。卷积核通常是一个小矩阵，例如3x3或者5x5，其值可以通过随机初始化或者通过预训练的方式得到。卷积核滑动窗口式地对输入数据进行扫描，每一次计算产生一个输出值，最终形成一个输出矩阵。卷积层可以通过自己的权重来提取特征，这些特征可以被用来识别图像中的物体。
池化层主要用于减少卷积层输出的尺寸，从而降低模型的参数数量。池化操作通常是取对应区域的最大值或者均值来减少数据的大小，并且可以增加模型的不变性。池化层的大小通常比卷积层更小，通常选择使用2x2大小的池化窗口进行操作。
全连接层通常是CNN网络的最后几层，用于将高级特征映射到各个类别上。全连接层的输入通常来自于前面的卷积层和池化层，已经被压缩成了一维向量。因此，全连接层的作用就是将这些特征向量映射到输出类别上。
CNN通过反向传播算法进行训练，其目的是最小化损失函数。反向传播算法通常包括两个步骤：前向传播和反向传播。前向传播通过输入数据进行计算，得到网络的输出结果。反向传播则是从输出结果开始，将误差向前传递，调整网络的权重和偏差，不断更新模型，最终达到最好的性能。
CNN的应用非常广泛，其中最为典型的就是图像处理领域。例如图像分类、物体检测、人脸识别、风格转换等任务都可以使用CNN来完成。此外，CNN还可以被用于语音识别、自然语言处理和推荐系统等领域。由于CNN具有良好的可扩展性和泛化能力，因此它在当今的人工智能领域中被广泛应用。