1.论文主干为：卷积神经网络的发展历史、神经元模型、多层感知机的结构、卷积神经网络的结构（卷积层、取样层、全连接层）、网中网结构、空间变换网络（改进的卷积神经网络）、卷积神经网络的监督学习、无监督学习训练方法、常用的开源工具。
2.发展历史（人工神经网络）：
MP模型（心理学家 McCulloch ， 数理逻辑学家 Pitts、1943年）>单层感知器模型（Rosenblatt、50 年代末、60 年 代初）>反向传播网络（Back Propagation Network）（Rumelhart ，Hinton、1986年）
3.卷积神经网络概述：
（1）神经元：
神经元是人工神经网络的基本处理单元，一般是多输入单输出的单元。
（2）多层感知机（Multilayer Perceptron，MLP）：
是由输入层、隐含层（一层或者多层）及输出层构成 的神经网络模型，它可以解决单层感知器不能解决 的线性不可分问题。
（3）卷积神经网络：
CNN的基本结构由输入层、卷积层、池化层、全连接层及输出层构成。
卷积层（convolutional layer）主要作用是提取图像特征，池化层（pooling layer）（下采样）主要作用是数据降维、避免过拟合，全连接层是可以整合卷积层或者池化层中具有类别区分性的局部信息并且根据不同的任务输出我们想要的结果。