CNN模型，或卷積神經網絡，是深度學習中最成功的DNN特例之一，主要用於圖像識別和處理。自1998年以來，出現了多種優秀的CNN模型，包括但不限於以下幾種：
LeNet。這是最早的卷積神經網絡之一，誕生於1994年，由Yann LeCun提出，主要用於識別手寫數字圖像。
AlexNet。在2012年ImageNet比賽中奪冠的模型，首次證明了學習到的特徵可以超越手工設計的特徵。
VGGNet。由Visual Geometry Group提出，擁有六種不同的網絡結構，主要用於圖像分類。
Google Inception Net。也稱爲GoogLeNet，是一種全新的深度學習結構，主要用於圖像分類。
ResNet（殘差網絡）。解決了梯度爆炸或梯度消失引起的不增反降問題，幫助訓練更深的網絡。
DenseNet（密集連接網絡）。通過每個層的輸出作爲後續層的輸入，增強了特徵的傳播。
SENet（壓縮與激勵網絡）。主要關注通道間的依賴性，通過自適應地重新校準通道級的權重來提升性能。
SqueezeNet。通過減少參數數量同時保持高性能，主要用於圖像分類。
MobileNet。專爲移動設備和嵌入式系統設計的輕量級CNN模型，主要用於圖像分類和目標檢測。
這些模型在設計思想和網絡結構上都有所不同，但都對卷積神經網絡的發展做出了重要貢獻。