我们提出了一种名为蓝图可分卷积（Blueprint Separable Convolutions, BSConv）的高效卷积构建模块，适用于卷积神经网络（CNN）。该方法的提出基于对训练后模型中卷积核特性的定量分析，结果显示，沿深度维度的特征相关性占据主导地位。基于这一发现，我们建立了一套理论基础，并由此推导出仅使用标准网络层即可实现的高效实现方式。此外，我们的方法为深度可分离卷积（Depthwise Separable Convolutions, DSCs）在一般情况下的应用提供了全面的理论推导、解释与合理性论证。DSCs已成为众多现代网络架构的基础。我们进一步揭示：以MobileNets为代表的DSC架构，其性能在本质上依赖于跨卷积核之间的相关性；而我们的BSConv则基于卷积核内部的相关性，从而实现了对标准卷积更高效的分解。在大规模与细粒度分类数据集上的大量实验表明，BSConv在不引入额外复杂度的前提下，能够显著且一致地提升MobileNets及其他基于DSC的架构性能。在细粒度数据集上，性能提升最高可达13.7个百分点。此外，若将BSConv变体作为标准架构（如ResNets）的即插即用替代模块，其在ImageNet上的表现亦可比原始模型最高提升9.5个百分点。相关代码与模型已开源，详见：https://github.com/zeiss-microscopy/BSConv。