卷积主要是为了提取图像的空间特征，比如边缘和纹理。想象你拿放大镜看一张照片，卷积就像用不同形状的放大镜轮流观察局部区域，这样能发现更细小的结构。而乘阶跃函数是为了让网络只能激活符合要求的特征，就像给每个放大镜加上滤光片，只让特定波长的光通过。这样既能保留重要信息，又能过滤噪声。

为什么这么设计呢？首先卷积核在特征图上滑动时，会产生大量数值。比如用3x3卷积处理8x8图像，单张特征图就有64个输出值。这些数值可能包含有效信息也可能包含干扰，这时候阶跃函数（比如Sigmoid）就像个筛选器，把输出值限制在0到1之间。实验证明，LeNet-5在加入Sigmoid后，准确率从95%提升到97%。但直接用线性输出会导致梯度消失，比如ResNet-50在训练初期准确率卡在65%，改用ReLU后梯度传播速度提升40%。数据表明，阶跃函数能有效控制特征图的动态范围，同时保持梯度稳定性。比如在CIFAR-10数据集上，使用ReLU的模型训练时间比线性激活快1.8倍，准确率提高3.2%。这证明了两者的结合既能增强特征表达能力，又能优化计算效率。