当前许多计算机视觉任务的最先进水平由卷积神经网络（Convolutional Neural Networks, CNNs）代表。尽管其分层结构与局部特征提取机制受到灵长类视觉系统构造的启发，但这类架构缺乏横向连接，这一特征使其在信息处理方式上与生物对象识别机制存在本质差异。近年来，已有研究尝试通过引入具有学习能力的、无几何约束的循环型卷积横向连接，对CNN进行改进。在本研究中，我们提出一种具有生物学合理性的横向卷积核，其编码了前馈滤波器之间的相关性概念：在每一网络层中，对应的横向核作为激活空间上的转移核发挥作用。这些横向核由前馈滤波器直接定义，从而实现一种无需额外参数的、基于前馈结构来评估横向连接几何特性的方法。我们所提出的新型网络架构被命名为KerCNN，并在一项与全局形状分析及模式补全相关的泛化任务中进行了测试：网络首先在标准图像分类任务上进行训练，随后在受扰动的测试图像上进行评估。所施加的图像扰动旨在破坏局部特征的可识别性，从而迫使模型依赖上下文信息进行判断——这在生物视觉系统中正是横向连接所起的关键作用。实验结果表明，KerCNN在面对此类退化情况时，其稳定性显著优于传统CNN及循环CNN，充分验证了该生物启发式方法在复杂条件下增强目标识别能力的有效性。