池化（Pooling）是深度學習和卷積神經網路（CNN）中的一種關鍵操作，主要用於降低特徵圖的維度和空間大小，同時保留重要的信息。
池化操作通常在卷積操作之後進行，其基本思想是將特徵圖劃分為若幹個子區域，通常為矩形，然後對每個子區域進行統計匯總。池化的方式包括最大池化（Max Pooling）和平均池化（Average Pooling）。在最大池化中，選取每個子區域內的最大值作為輸出；而在平均池化中，則計算每個子區域內的平均值作為輸出。
此外，池化操作還有助於減少計算的複雜度，防止過擬合，並加速訓練過程。