卷积神经网络只能用于图像识别领域。A. 对B. 错

考查要点：本题主要考查学生对卷积神经网络（CNN）应用场景的理解，特别是其是否仅限于图像识别领域。

核心思路：
卷积神经网络的核心在于利用局部感受野和权值共享机制，能够有效提取数据的空间特征。虽然图像识别是其典型应用，但只要数据具有类似的空间结构（如文本、时间序列等），CNN也可适用。因此，需明确CNN的应用范围是否具有局限性。

破题关键：

1. 回顾CNN的核心特性（局部连接、权值共享）。
2. 联系其他领域中数据的结构特点（如文本的一维序列、时间序列的时序依赖）。
3. 结合实际案例（如自然语言处理中的文本分类、语音信号处理等）判断CNN的通用性。

卷积神经网络（CNN）的应用范围：

1. 图像识别：CNN通过提取图像的边缘、纹理等特征，在图像分类、目标检测等领域表现优异。
2. 自然语言处理：
   • 文本分类：将文本视为一维序列，CNN可捕捉局部词序特征（如情感倾向）。
   • 机器翻译：结合注意力机制，CNN可辅助提取上下文信息。
3. 时间序列分析：
   • 在股票预测、传感器数据分析中，CNN可提取时间依赖性特征。
4. 语音信号处理：
   • 将语音频谱图视为二维图像，CNN可提取声学特征。
5. 科学计算：
   • 在量子物理、分子动力学中，CNN用于模拟复杂系统中的空间关系。

结论：CNN的应用不限于图像识别，其核心机制使其适用于多种结构化数据。