殘差網路(Residual Network，簡稱ResNet)是由來自Microsoft Research的4位學者提出的卷積神經網路，在2015年的ImageNet大規模視覺識別競賽中獲得了圖像分類和物體識別的優勝。
殘差網路的特點是容易最佳化，並且能夠通過增加相當的深度來提高準確率。其內部的殘差塊使用了跳躍連線（skip
connection或shortcut），可以緩解深度神經網路中增加深度帶來的梯度消失問題，從而使網路能夠達到更深的層次，提升準確率。
殘差網路主要解決的是深度神經網路的「退化」問題。隨著網路層數的增加，深度網路一般越難訓練，準確率會達到飽和甚至下降，這是由於梯度消失和梯度爆炸現象造成的。殘差網路通過引入殘差塊結構，即增加一個identity
mapping（恆等映射），將當前輸出直接傳輸給下一層網路，相當於走了一個捷徑，跳過了本層運算，從而在後向傳播過程中，將下一層網路的梯度直接傳遞給上一層網路，有效地解決了深層網路的梯度消失問題。
總的來說，殘差網路因其簡單又實用的優點，在圖像分類、目標檢測、識別等領域被廣泛套用，是過去幾年計算機視覺和深度學習領域最具開創性的工作之一。