卷积神经网络需要引入全连接层的原因是为了完成特征到输出的映射和分类。
详细解释如下：
1. 特征提取与映射：卷积神经网络的前半部分主要由卷积层、池化层等构成，用于从输入数据中提取有用的特征。这些特征经过卷积和池化操作后，已经包含了图像中的关键信息。但是，这些特征还需要进一步处理才能用于输出预测结果。全连接层正好扮演了这样一个角色，它将卷积层提取的特征进行加权组合，形成最终的表示，从而完成特征到输出的映射。
2. 分类与识别任务的需求：对于许多计算机视觉任务，如图像分类、目标检测等，最终的输出往往是一个或多个标签。这些标签的生成需要网络对特征的全面学习和理解。全连接层，由于其全连接的特性，能够有效地对输入特征进行整合和分类，使得CNN能够更好地完成分类任务。它通过对特征的全面学习和组合，为网络提供了决策的依据。
3. 调整和优化网络性能：全连接层还可以帮助调整和优化网络的性能。通过调整全连接层的参数，网络可以适应不同的数据集和任务需求。此外，通过添加额外的全连接层或者使用不同的连接方式，网络可以更好地学习数据的内在规律和模式。
综上所述，全连接层在卷积神经网络中起到了至关重要的作用。它不仅完成了特征到输出的映射，而且使得网络能够更好地进行图像分类等任务。通过整合和优化特征，全连接层帮助网络更好地学习和理解数据，提高了模型的性能。