As redes neurais convolucionais são a tecnologia que vem apresentado o melhor desempenho em tarefas de visão computacional, como detecção de eventos, reconhecimento de objetos, avaliação dimensional, avaliação de cores e de textura, e em problemas de reconhecimento de padrões. A aprendizagem de máquina aplicada a visão computacional é uma área de estudo ampla e interdisciplinar, em que novos paradigmas surgem rapidamente. As redes profundas, por exemplo, possuem quantidades enormes de parâmetros dentro de camadas ocultas, e o comportamento da aprendizagem ou até mesmo a representação são difíceis de se avaliar em detalhes. Por estas razões, os modelos são frequentemente utilizados como caixa-preta. Diversos autores entendem que são relevantes trabalhos com o objetivo de melhorar-se o entendimento por trás desses modelos. Por esta razão, este trabalho tem como objetivos de revisar os fundamentos de redes neurais convolucionais e realizar um estudo experimental exploratório acerca dos conceitos estudados. Uma rede neural de única camada convolucional, com 20 filtros de dimensão 9 x 9, função de ativação ReLu e subamostragem média de dimensão 2 x 2 foi utilizada para classificação de imagens dos conjuntos de dados MNIST e Fashion MNIST. Foi possível demonstrar a aprendizagem da rede e a classificação de exemplos de treinamento para os dois casos. Os valores de acurácia atingidos (98,22% para o MNIST e 88,80% para o Fashion MNIST) foram similares aos reportados na literatura para arquiteturas de complexidade semelhante. [resumo fornecido pelo autor]