我认为原因大致上可分为两点

首先第一个大家比较熟悉的原因是大数据时代的来临，对于大规模数据的处理成为刚需。而这些数据中有80%左右为视频图像信息，在众多机器学习算法中，传统BP神经网络的进化版‘卷积神经网络’的模型结构‘天生’就比较适合处理图像这种矩阵式、部分块区域存在相关性的数据。所以说是实际需求使得神经网络再次被人们所追捧。

第二点原因是在自学周志华老师的《机器学习》过程中的一点思考。相比于神经网络，其他的机器学习算法如决策树、贝叶斯分类器、SVM支持向量机要想实现较好的分类与回归效果，都严重依赖于操作者的技能水平（确切地说是数学水平），比如要根据所要完成的任务进行集成学习，有时甚至需要做计算学习理论的论证，针对所给数据还会需要做特征工程，有时还需要做数据降维、稀疏学习等。而对于使用者来说，CNN的模型构建方式似乎要简单的多，无非是层与层的连接（当然这么说是有些片面的），而对于数据的处理似乎只需要在拍摄图像时认真一点，拍摄完后按类放置在程序确定的文件夹中，甚至不需要任何数据程序就可以取得一个令人满意的效果 。这对那些致力于结合自身领域学科和深度学习计算机视觉领域学科的人无疑是最好的选择。CNN无疑降低了人工智能领域的进入门槛。

当然，为表达博客的主题，在论述中有些片面的描述，CNN的研究也需要对于数学基本理论的掌握，这项能力的提升无疑也会提升使用者构建的CNN模型的性能。CNN还有很多值得我们去研究的地方。

现在，对于监督学习的研究几乎等同于对卷积神经网络的研究，按照这种趋势，无监督学习应该会将会更加火爆，但是由于暂时无监督学习的实战效果还有些差强人意。相对的半监督学习由于其兼有良好的理论解释性与实际操作效果，现实需求非常强烈。接下来的CNN研究很可能会向这个方向大力发展。