我们重新审视了现代卷积神经网络（CNN）中的大卷积核设计问题。受视觉Transformer（ViT）近期进展的启发，本文表明，使用少数几个大卷积核替代传统堆叠的小卷积核，可能是一种更具优势的网络设计范式。为此，我们提出了五项设计准则，例如采用重参数化的大尺寸深度可分离卷积，以指导高效且高性能的大核CNN架构设计。遵循这些准则，我们提出了RepLKNet——一种纯CNN架构，其卷积核尺寸高达31×31，远大于当前普遍采用的3×3核。与ViT相比，RepLKNet显著缩小了CNN与ViT之间的性能差距：在ImageNet分类任务及多个典型下游任务上，RepLKNet实现了与Swin Transformer相当甚至更优的性能，同时具有更低的延迟。此外，RepLKNet在大规模数据和大模型场景下展现出良好的可扩展性，在ImageNet上达到87.8%的Top-1准确率，在ADE20K语义分割任务上取得56.0%的mIoU，其性能在同类规模的当前最先进模型中具有很强竞争力。我们的研究还进一步揭示，与小核CNN相比，大核CNN具有显著更大的有效感受野，以及更强的形状偏好（shape bias），而非纹理偏好（texture bias）。代码与模型详见：https://github.com/megvii-research/RepLKNet。