畳み込み演算は、入力データ（画像など）に対して特定のパターンを検出する「フィルタ」を重ね合わせてスライドさせ、局所的な特徴を抽出する数学的な計算手法です。主に畳み込みニューラルネットワーク（CNN）で用いられ、画像の輪郭やテクスチャなどの視覚的特徴を効率的に学習・抽出する役割を担っています。
畳み込み演算とは
畳み込み演算（コンボリューション）とは、入力データの一部に「フィルタ（カーネル）」と呼ばれる小さな行列を重ね合わせ、対応する要素同士を掛け合わせて合計する処理を、データ全体をスライドしながら繰り返す計算手法です。
詳しく解説
畳み込み演算は、特に画像処理やディープラーニング（深層学習）の分野で極めて重要な役割を果たしています。従来の全結合層（全結合ニューラルネットワーク）では、画像の位置情報を無視して1次元のデータとして扱っていましたが、畳み込み演算を使用することで、画像の「位置の不変性（対象がどこに写っていても同じものと認識すること）」や「局所的なパターン（隣接する画素間の関係）」を維持したまま特徴量を抽出できます。フィルタ内の数値（重み）は学習の過程で自動的に最適化され、初期の層では「エッジ（輪郭）」や「テクスチャ」などの単純な特徴を抽出し、より深い層に進むにつれて「目」や「車輪」といった複雑な形状を表現する特徴マップを構成します。
具体例・使われ方
例えば、横5画素×縦5画素の白黒画像（入力データ）に対し、縦方向の線を検出する3×3の「フィルタ」を用意します。このフィルタを画像の左上から1画素ずつずらし（スライド）ながら畳み込み演算を行うと、縦の境界線が強調された新しい画像（特徴マップ）が生成されます。スマートフォンやスマートスピーカーで使われる音声認識システムにおいても、音声信号のスペクトログラム（画像化された音声データ）に対して畳み込み演算を適用し、音声の特徴を抽出するのに使われています。
似た用語との違い
畳み込み演算と「行列積」の違いは、計算の局所性と重みの共有にあります。行列積はすべての入力層と出力層のニューロンが1対1で接続される「全結合」を表現するため膨大な計算パラメータを必要としますが、畳み込み演算はフィルタのサイズ（例：3×3）という非常に限られた局所領域内のみで結合し、かつ同じフィルタを画像全体に使い回す（重み共有）ため、パラメータ数を劇的に削減できます。
注意点
畳み込み演算は、計算を効率化するためにフィルタの移動幅（ストライド）や、画像の端をゼロなどで埋める「パディング」といったハイパーパラメータの調整が必要であり、これらの設定が不適切だと特徴を捉えきれない、あるいは出力サイズが極端に縮小するといった問題が生じます。また、画像内の位置関係を保持できる一方、入力データの「拡大・縮小」や「大きな回転」に対しては、畳み込み演算単体では完全に対応できないため、データオーグメンテーション（データ拡張）などで補う必要があります。