卷积核（Convolutional Kernel），也被称为过滤器（Filter）或卷积滤波器，是卷积神经网络（CNN）中的核心组件之一。它是一个小的矩阵，通常大小为3x3、5x5或更大，但一般都是奇数大小以便于确定中心点。卷积核中的每个元素都是一个权重参数，这些参数会在网络训练过程中被优化。
卷积核的基本原理是通过卷积操作从输入数据中提取特定的特征，如边缘、纹理或形状。在卷积操作中，卷积核与输入数据的局部区域进行逐元素相乘后求和，生成输出图像的一个像素值。这个过程可以理解为一种数学运算，它在图像处理中被广泛应用。
在CNN中，卷积核的值不是预设的，而是通过训练自动学习的。训练过程会让卷积核从数据中提取有用的特征，这种灵活性和自适应性正是CNN的强大之处。
卷积核的类型和大小可以根据具体的任务和输入数据的特性进行调整。例如，在CT扫描的图像重建上，卷积核是一种特定的数学算法，是一个非常重要的重建参数，主要影响图像的噪声和锐利度。
总结：
卷积核是一个小的矩阵或过滤器，用于卷积运算。
它在CNN中用于从输入数据中提取特征。
卷积核的大小和形状可以通过训练自动学习或手动设计。
卷积核在图像处理和深度学习中被广泛应用。