در شبکه های عصبی عمیق لایه های کانولوشن وظیفه ی انتخاب ویژگی ها و استخراج آن ها را دارند. در روش های قدیمی classification ابتدا بردار ویژگی های تصویر استخراج می شد و در مرحله بعد یک دسته بند فرایند classification را کامل می کرد اما در شبکه های عصبی کانولوشن فرایند استخراج ویژگی به صورت خودکار انجام می شود و در حین یادگیری شبکه عصبی ویژگی های مناسب را از تصویر استخراج می کند. بنابرین در یادگیری عمیق هم استخراج ویژگی و هم دسته بندی به شکل توامان انجام می شود.
نکته ی دیگر در این موضوع هم این هست که شبکه های عصبی عمیق ویژگی های مورد نیاز را یاد میگیرند نه اینکه ویژگی های دست ساز (hand crafted) را از تصویر استخراج کنند که این کار با استفاده از کرنل/فیلتر ها در لایه های کانولوشن صورت می گیرد که دارای پارامتر های قابل یادگیری هستند. این ویژگی شبکه های عصبی عمیق باعث می شود این شبکه های خیلی انعطاف پذیر بوده و generalization بالایی داشته باشند.