卷积操作是卷积神经网络（CNN）中的核心操作，用于提取输入图像的特征。卷积操作通过滑动一个滤波器（卷积核）在输入图像上进行特征提取。滤波器和输入图像的每个位置都进行元素级乘法和求和操作，将得到的结果作为输出特征图的一个像素值。这种滤波器的滑动过程能够捕捉图像中的局部特征，并且具有平移不变性，即无论特征出现在图像中的哪个位置都能被捕捉到。通过多次卷积操作以及激活函数的作用，卷积神经网络能够学习图像中的抽象特征，如边缘、纹理和形状等，从而实现图像分类、目标检测和图像生成等任务。卷积操作的参数共享和稀疏连接性质使得卷积神经网络具有较少的参数数量和对图像结构的有效建模能力，在计算上也具有一定的优势。