卷积神经网络（Convolutional Neural Network，CNN）是一种常用的深度学习算法，广泛应用于计算机视觉和自然语言处理等领域。池化层（Pooling Layer）是CNN中常用的一种层次结构，可以降低数据的空间维度，提高模型的鲁棒性和泛化能力。然而，在某些场景下，为了实现特定的任务或优化模型表现，我们也可以选择不使用池化层。

首先，池化层的作用是对输入数据进行下采样，减少参数数量和算法复杂度，同时提取数据的主要特征，以期提高模型的性能和效率。在一些图像分类、物体识别、目标检测等应用中，池化层可以大幅降低数据维度，进一步加速训练过程，减少过拟合的风险。但是，有时候我们希望保留更多的信息，以提高模型的准确性和鲁棒性，这时候就有必要考虑不使用池化层。

其次，池化层可能导致信息损失和空间偏移。在池化过程中，我们通常会设置步长和核大小，将每个区域内的特征值取平均或最大值，从而得到下采样后的输出。然而，由于池化过程是非线性的、不可逆的，因此可能存在信息损失的情况。另外，由于池化层的设置与输入数据的大小和形状相关，可能会导致空间偏移的问题，即同样的输入数据在不同位置上的池化结果会发生变化，影响模型的稳定性和可靠性。

最后，CNN不使用池化层可以有效避免梯度消失的问题。梯度消失是一种常见的深度学习问题，指的是在反向传播过程中，随着层数的增加，梯度逐渐变弱甚至消失，导致模型无法更新参数，进而影响模型的性能和鲁棒性。在CNN中，池化层可能会降低梯度的大小，使得反向传播过程产生梯度消失的风险。因此，在一些需要深度网络的场景下，不使用池化层可以有效避免这个问题。

综上所述，CNN可以不使用池化层，具体是否采用池化层需要根据具体情况决定。如果要求模型具有更好的准确性和鲁棒性，或者需要处理较小的输入数据，可以考虑不使用池化层；如果要求模型具有更好的效率和速度，或者需要处理较大的输入数据，可以考虑使用池化层。当然，除了池化层，CNN还有其他的层次结构和技巧，例如卷积层、全连接层、批归一化、Dropout等，需要根据实际情况选用。