第一个CNN出现在1980年的福岛工作中，被称为Neocognitron。CNN背后的基本架构思想(局部接受域、共享权重和空间或时间子采样)允许这样的网络实现某种程度的移位和变形不变性，同时减少训练参数的数量。
自1989年以来，Yann LeCun及其同事推出了一系列通用名称为LeNet的cnn，与Neocognitron使用监督训练相反。在这种情况下，主要的优点是整个网络针对给定的任务进行了优化，使得这种方法可用于实际应用程序。
LeNet已成功应用于字符识别、一般物体识别、人脸检测和姿态估计、自主机器人避障等领域。
myCNN类允许创建、训练和测试通用卷积网络(例如，LeNet)以及具有以下特征的更通用网络:
-任何有向无环图都可以用于连接网络的各层;
-网络可以有任意数量的任意大小的输入和输出层;
-神经元的感受野(RF)可以有任意的步幅(局部RF平铺的步幅)，这意味着在s层，RF可以重叠，在c层，步幅可以不同于1;
-网络的任何层或特征图都可以从可训练模式切换到不可训练模式(反之亦然)，即使在训练过程中;
-一个新的层类型:类似于softmax的m层。
该存档包含myCNN类源代码(带有注释)和一个简单的LeNet5创建和训练示例。

所有更新和新版本可以在这里找到:http://sites.google.com/site/chumerin/projects/mycnn