空洞卷积（Dilated Convolution）是卷积神经网络（CNN）中的一种常用技术，主要用于扩大感受野（Receptive Field）和减少下采样（Pooling）的使用，以提高模型的准确性和稳定性。

在传统的卷积神经网络中，每个卷积核只能接触到输入数据的相邻区域，随着层数的加深，特征图的大小会不断缩小，从而导致信息的丢失。而空洞卷积通过在卷积核中引入空洞（Dilation）参数，使得卷积核在进行卷积操作时可以跳过一些像素点，从而扩大了卷积核的感受野，获得更广阔的视野，更全面地捕捉图像的空间结构信息，提高了模型的感受野和表达能力，同时也减少了下采样的使用，避免了信息的丢失。

因此，空洞卷积在图像语义分割、人体姿态估计、目标检测等领域都得到了广泛的应用。