卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，与传统的神经网络（也称为全连接神经网络）有一些区别。下面是CNN和NN之间的主要区别。

1. 网络结构：CNN主要针对图像和视觉领域的任务设计，其网络结构具有特定的卷积层和池化层。这些层可以有效地处理图像中的空间本地性和平移不变性。而神经网络通常由全连接层构成，每个神经元与上一层中的所有神经元连接。

2. 参数共享：在CNN中，卷积层使用参数共享的机制。具体而言，卷积核（滤波器）在整个图像上进行卷积运算，以提取相同特征。这种参数共享可以大大降低网络参数的数量，并提高计算效率。而在神经网络中，每个神经元与上一层的所有神经元都有独立的权重。

3. 局部感受野：CNN中的卷积层使用了局部感受野的概念。这意味着每个卷积核只关注输入的一小部分区域，并在整个输入上共享。这使得CNN在处理图像数据时能够捕获空间局部性，并减少了对整个输入的要求。

4. 参数数量和计算复杂度：由于CNN中的参数共享和使用卷积运算，其参数数量较少，并且具有更少的计算复杂度。相比之下，神经网络通常具有大量的参数，并且需要在前向传播和反向传播过程中计算大量的乘法和加法操作。

至于CNN神经网络的优缺点，主要包括以下几点：

优点：

- 对图像和视觉数据处理效果好，特别适用于图像分类、目标检测和语义分割等任务。

- CNN具有参数共享和局部感受野的机制，减少了参数数量和计算复杂度。

- 对空间位置的平移和尺度变换具有一定的不变性。

缺点：

- CNN需要大量的训练数据才能达到良好的性能，特别是在复杂任务中需要更多的数据。

- 网络的训练和推理时间可能会较长。

- CNN对于输入图像的变形和扭曲比较敏感。

总之，CNN和神经网络在网络结构、参数共享、局部感受野和计算复杂度等方面存在明显的差异。CNN在图像和视觉任务中具有优势，但也有其特定的局限性。