要得到混淆矩阵，我们需要使用训练好的模型对测试数据进行预测，并将预测结果与真实标签进行比较。以下是一个示例代码，展示如何使用Keras构建CNN模型，并计算混淆矩阵。

import numpy as np
from sklearn.metrics import confusion_matrix
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from keras.utils import to_categorical

# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = mnist.load_data()

# 将数据进行预处理
x_train = x_train.reshape(-1, 28, 28, 1)
x_test = x_test.reshape(-1, 28, 28, 1)
x_train = x_train.astype('float32') / 255
x_test = x_test.astype('float32') / 255
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

# 构建CNN模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(10, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, batch_size=128, epochs=5, verbose=1, validation_data=(x_test, y_test))

# 使用模型进行预测
y_pred = model.predict_classes(x_test)

# 计算混淆矩阵
cm = confusion_matrix(np.argmax(y_test, axis=1), y_pred)
print(cm)

这段代码中，我们使用Keras库加载MNIST数据集，并对数据进行预处理。然后，我们构建了一个简单的CNN模型，使用训练数据进行训练。接下来，我们使用训练好的模型对测试数据进行预测，并使用sklearn库中的confusion_matrix函数计算混淆矩阵。最后，我们将混淆矩阵打印出来。

请注意，这个示例使用了x_train、x_test、y_train、y_test这些变量来存储训练和测试数据。如果你不想使用这些变量，你可以通过其他方式加载和准备数据，只要保证最后可以获得x_test和y_test这两个变量即可。