CNN-LSTM是一种混合模型，结合了卷积神经网络（Convolutional Neural Network，CNN）和长短期记忆网络（Long Short-Term Memory，LSTM）。它常被用于处理具有时空特性的数据，如图像序列、文本序列等。
CNN是一种主要用于处理图像数据的神经网络架构。它通过卷积层和池化层来提取输入数据中的局部特征，然后通过全连接层进行分类或回归等任务。CNN在图像处理领域取得了很大的成功，因为它能够自动学习和提取图像中的特征。
LSTM是一种递归神经网络（Recurrent Neural Network，RNN）的变体，专门用于处理序列数据。相比于传统的RNN，LSTM能够更好地处理长序列依赖关系，避免了梯度消失或梯度爆炸等问题。LSTM通过使用称为“门”的结构来选择性地遗忘和更新信息，以捕捉序列中的长期依赖关系。
将CNN和LSTM结合起来，可以利用CNN在提取局部特征方面的优势，并将这些特征输入到LSTM中进行序列建模。这种混合模型常被用于处理文本分类、情感分析、语音识别等任务，其中CNN用于提取文本或语音中的局部特征，而LSTM用于对这些特征进行序列建模和处理。
CNN-LSTM模型的设计可以根据具体任务和数据进行调整和优化。通过结合CNN和LSTM的能力，它可以更好地捕捉时空特性，提高对序列数据的建模能力。