在R语言中使用Keras构建卷积神经网络进行图像分类的要点如下：
CNN的基本结构：
输入层：接收原始图像数据。卷积层：通过卷积操作提取图像特征。池化层：对卷积层输出进行下采样，减少参数数量和计算量。激活函数层：引入非线性因素，增强模型表达能力。全连接层：对特征进行组合，输出分类结果。
使用Mnist数据集进行CNN图像分类实例：
加载R包和数据处理：使用keras包加载Mnist数据集，并进行预处理。定义模型结构：设置输入层，指定输入图像的尺寸和色彩通道。添加卷积层和池化层，构建网络。可构建包含多个卷积层和池化层的网络结构。卷积层和池化层的输出张量尺寸会逐渐减小。将最后一层输出张量展平为向量，输入全连接层。
模型训练：使用训练数据对模型进行训练。模型评估：在测试集上评估模型性能，如准确率等。
实验结果：
基本的卷积神经网络在Mnist测试集上的准确率可达到较高水平。
CNN性能出众的原因：
卷积层和池化层的设计使其能够高效地提取图像特征，减少参数数量和计算量，从而提高模型性能和泛化能力。
注意：以上内容仅为简述，卷积神经网络理论涉及大量内容，如需深入了解，请参阅相关资料。