在之前文章的最后一个插图中，我们看到实际上是在对3D体积进行卷积。但通常，我们仍将该操作称为深度学习中的2D卷积。这是对3D体积数据的2D卷积。过滤器深度与输入层深度相同。3D filter仅在2个方向（图像的高度和宽度）上移动。这种操作的输出是2D图像（仅具有1个通道）。
自然地，存在3D卷积。它们是2D卷积的一般化。在3D卷积中，filter深度小于输入层深度（kenerl数量<通道数量）。结果就是，3D filter可以在所有3个方向（图像的高度，宽度，通道）上移动。在每个位置，按元素的乘法和加法提供一个数字。由于filter在3D空间中滑动，因此输出编号也排列在3D空间中。然后输出是3D数据。
类似于在2D域中编码对象空间关系的2D卷积一样，3D卷积可以描述3D空间中对象的空间关系。这种3D关系对于某些应用很重要，例如在3D分割/生物医学成像的重建中，例如在3D空间中，诸如血管之类的物体在周围蜿蜒的CT和MRI。