卷积神经网络的卷积层、池化层和激活函数层等作用是将原始数据映射到隐层特征空间中，在卷积神经网络最后部分会有全连接层，全连接层的目的是将网络学习到的特征映射到样本的标记空间中。全连接层会把卷积输出的二维特征图（featureMap）转化成一个一维的向量。这一过程具体实现如下所述：

在卷积层之后进行了池化操作，池化层得到30个12*12的特征图，通过全连接层之后，得到了1*100的向量。由于全连接层是输入中的每个结点与其下一层结点都有连接，那么使用30*100个12*12的卷积核进行卷积操作。卷积核与输入图像大小一致，卷积操作之后整个输入图像就会变成一个数值。30个特征图进行卷积操作之后得到30个值，将此30个值进行累加求和，就把30张特征图浓缩成一个数值。此操作进行100次之后会得到100个值，即1*100的向量。

全连接层的特征数特别多，计算量比较大。上述例子中卷积层包含参数个数100*30*12*12。

参考：http://blog.csdn.net/u011021773 

https://blog.csdn.net/u011021773/article/details/78121359