卷积神经网络（CNN）输出的特征矩阵是指经过卷积、池化和激活等操作后得到的特征映射矩阵。在CNN中，每个卷积层都会通过对输入数据进行卷积操作，从而提取出不同的特征。

每个卷积层输出的特征矩阵包含了不同特征的空间分布信息，通过这些特征矩阵可以理解和识别图像或其他类型的输入数据中的不同特征。

这些特征矩阵在网络的后续层中被用作输入，经过全连接层等操作进行分类或其他任务。

卷积神经网络主要有以下三大特征：

1) 局部连接

之前我们呢介绍的前馈神经网络相邻的两层之间，前一层的每一个神经元（或者是输入层的每一个单元）与后一层的每一个神经元都有连接，这种情况称为全连接。全连接网络的一个缺点就是参数太多。假设我们输入神经网络中的是一张三通道的彩色图片，图片大小为 128×128，那么，输入层就有 128×128×3=49150 个单元。

使用全连接神经网络的话，输入层到第一层隐藏层的每一个神经元都有 49150个连接，随着网络层数的增加和每一层中神经元数量的增加，网络中的参数也会急剧增加。大量的参数不仅会拉低神经网络训练的效率，也很容易造成过拟合。

在卷积神经网络中，层与层之间不再是全连接，而是局部连接，具体的实现方法就是卷积操作。

2) 权值共享

在卷积神经网络中，每一层卷积层中都会有一个或者多个卷积核（也称为滤波器）。这些卷积核可以识别图片中某些特定的特征，每个卷积核会去滑动卷积上一层的特征图，在卷积的过程中卷积核的参数是不变且共享的。

这样在训练过程中，与之前的全连接神经网络训练大尺度输入样本时需要大量参数相比，卷积神经网络只需要少得多的参数就可以完成训练。

3) 子采样

子采样层（Subsampling Layer），也称作池化层（Pooling Layer）， 作用是对上一卷积层进行聚合，使得上一层卷积层的输入特征图尺寸在经过该子采样层的聚合（即池化）后减小，从而降低特征和参数的数量。子采样层所做的事，其实就是对上一层卷积层进行扫描，每次扫描特定区域，然后计算该区域特征的最大值（最大池化，Maximum Pooling）或者平均值（平均池化，Mean Pooling），作为该区域特征的表示。

以上三个特征使得卷积神经网络具有一定程度上的缩放、平移和旋转不变性，并且相较于全连接神经网络，其网络参数也少了很多。