该文综述了卷积神经网络下采样层的多种改进研究，针对传统步幅卷积与池化层的信息丢失缺陷，介绍了可学习步幅DiffStride、SPD-Conv、随机空间采样S3Pool、抗锯齿模块、频域卷积与频谱池化、架构搜索优化池化配置、细节保留池化DPP、步幅参数共享、指数加权降采样及FrequencyLowCut池化等方法，这些方法在分类精度、泛化性或鲁棒性上均有提升。