卷积神经网络（Convolutional Neural Network, CNN）是一种常用于图像识别和计算机视觉任务的深度学习模型。卷积神经网络的核心是卷积操作，而卷积核参数是卷积操作的关键。

卷积核参数是卷积神经网络中的权重，用于提取输入数据中的特征。卷积核是一个小的矩阵，可以理解为一个滤波器，通过滑动窗口的方式在输入数据上进行卷积操作。卷积操作可以将输入数据与卷积核进行逐元素相乘，并将结果相加得到输出特征图。

卷积核参数的学习是通过反向传播算法来实现的。在卷积神经网络的训练过程中，首先随机初始化卷积核参数。然后，通过前向传播将输入数据与卷积核进行卷积操作，得到输出特征图。接着，将输出特征图与标签数据进行比较，计算损失函数。最后，通过反向传播算法，根据损失函数的梯度更新卷积核参数，使得损失函数最小化。

具体来说，反向传播算法通过链式法则计算每一层的梯度。在卷积层中，梯度的计算与卷积操作的转置操作相关。通过将输出特征图的梯度与卷积核进行转置卷积操作，可以得到上一层的梯度。然后，利用梯度下降算法更新卷积核参数，使得损失函数最小化。

在实际应用中，卷积神经网络通常包含多个卷积层和池化层。每个卷积层都包含多个卷积核，每个卷积核可以提取不同的特征。在训练过程中，通过反向传播算法，可以学习出每个卷积核的参数，使得网络能够自动提取输入数据中的特征。

总结起来，卷积神经网络的卷积核参数是通过反向传播算法学习出来的。在训练过程中，通过前向传播将输入数据与卷积核进行卷积操作，得到输出特征图。然后，通过计算损失函数并利用反向传播算法，根据梯度更新卷积核参数，使得网络能够自动提取输入数据中的特征。这样，卷积神经网络就能够实现图像识别和计算机视觉任务。