新认知机是一种由福岛邦彦于1979年提出的分层、多层的人工神经网络。它专为模式识别任务而设计，例如日本手写汉字识别，并被广泛视为卷积神经网络（CNN）的直接灵感来源。该模型基于关于视觉皮层的神经生理学发现，并引入了局部特征提取和对位置偏移的容忍等关键概念，这些概念在现代计算机视觉中仍处于核心地位。
新认知机的起源可以追溯到福岛邦彦的早期工作。1969年，他发表了一种具有基于哺乳动物视觉中观察到的卷积的手工设计核的类似架构。他在1975年将其完善为认知机，然后在1979年发展为带有无监督学习所有卷积核的新认知机，他将其描述为“通过‘无教师学习’自组织”。这一演变标志着从手动指定特征向学习表示的转变。
生物学启发
新认知机受到大卫·休伯尔和托斯坦·威泽尔于1959年提出的视觉系统模型的启发。他们对猫的纹状皮层的研究识别出两类细胞：简单细胞，对定向边缘和条状物作出反应；以及复杂细胞，对类似特征作出反应但具有更大的空间不变性。他们还提出了这些细胞类型用于模式识别的级联模型。新认知机是这种级联思想的自然延伸，实现了一种模仿视觉通路中分层处理的分层架构。
架构与机制
新认知机由多层细胞组成，最重要的是S细胞和C细胞。S细胞从其感受野中提取局部特征，如边缘或角点。C细胞容忍S细胞检测到的特征中的小幅变形，例如局部偏移。随着信号在网络中传播，局部特征逐渐被整合为更复杂和全局的表示，最终在高层次中实现分类。这种局部特征整合的原理也出现在其他模型中，包括卷积神经网络、SIFT方法和HoG方法。
新认知机的一个显著特点是其无监督学习的能力。卷积核通过竞争性学习过程自组织，使网络能够从输入模式中发现相关特征而无需标注数据。这与现代CNN中后来使用的监督训练方法形成对比。
变体与扩展
已开发出各种类型的新认知机来应对不同任务。某些变体可以通过使用反向信号实现选择性注意来检测同一输入中的多个模式，使模型能够聚焦于特定对象或区域。其他扩展则结合了学习规则、缩放和旋转不变性方面的改进，尽管核心架构仍是分层且受生物学启发的。
遗产与影响
新认知机被认为是人工智能和机器学习中的基础模型。其分层、卷积的设计直接影响了对CNN的发展，而CNN已成为现代计算机视觉和深度学习的基石。尽管新认知机本身如今使用较少，但其原理，，局部感受野、共享权重和分层特征提取，，已嵌入几乎所有当代卷积架构中。该模型还为更广泛地理解生物视觉如何为计算模型提供信息做出了贡献。