Las Redes Neuronales Convolucionales (Convolutional Neural Networks en inglés, abreviadas como CNN) son un tipo de red neuronal artificial especialmente diseñada para procesar datos que tienen una estructura de malla, como imágenes, vídeos o señales de audio. Las CNN utilizan una operación matemática llamada convolución para extraer características relevantes de los datos de entrada y aprender a reconocer patrones en ellos.

Las capas convolucionales de una CNN están compuestas por un conjunto de filtros o kernels que se aplican de forma repetida a la imagen de entrada, cada uno generando un mapa de características. Estos mapas de características se pasan a través de capas de submuestreo, también conocidas como capas de pooling, que reducen su tamaño para disminuir la complejidad computacional de la red. Finalmente, las capas completamente conectadas de la CNN se encargan de clasificar la imagen en una o varias categorías.

Las CNN son especialmente útiles en tareas de visión por computadora, como la clasificación de imágenes, la detección de objetos y la segmentación semántica. Su capacidad para aprender y extraer características relevantes de forma automática ha revolucionado el campo de la visión por computadora y ha permitido la creación de aplicaciones prácticas como la detección de caras en fotografías, la clasificación de imágenes en redes sociales y la conducción autónoma en vehículos.