VGG模型是一種在2014年ILSVRC競賽中獲得第二名的深度卷積神經網路模型，由牛津大學的研究團隊提出。VGG模型的特點是使用非常小的卷積核（3x3）和具有深度達到16至19層的網路結構。這種設計不僅減少了參數數量，從而降低了過擬合的風險，而且通過增加網路深度，提高了特徵提取的效果。
VGG模型的網路結構非常清晰和規則，每個卷積層後面都跟著一個ReLU激活函式和一個2x2的最大池化層。在卷積層中，輸入的高和寬保持不變，而池化層則將其減半。網路最後包含三個全連線層，其中前兩個層各有4096個神經元，最後一個全連線層有1000個神經元，對應於ImageNet數據集的1000個類別。
VGG模型雖然在參數數量上達到了140M之多，因此需要較大的存儲空間，但它因其卓越的性能和廣泛的套用價值而在計算機視覺領域中占有重要地位。VGG模型在多個遷移學習任務中的表現優於GoogLeNet，並且是提取CNN特徵的首選算法之一。