深度神经网络可解释性是深度学习领域中非常重要的课题,能够突破模型本身复杂性与不可解释性而造成其难以应用于各个工业领域的瓶颈。在诸多深度学习神经网络解释方法中,最为重要的是基于注意力图的可视化解释。由于注意力图能够对样本图像中决策区域进行标注,直观展示模型决策依据,因此注意力图对决策区域进行标注的准确度直接影响可视化可解释性的置信度。在实际工作当中,存在注意力图标注区域易出现偏差而导致模型决策依据难以直观理解,模型可视化解释难以验证的问题。为解决上述问题,本文在深入研究深度学习可视化解释技术的基础上,提出了注意力图迁移和可解释性验证方法,同时设计并实现了基于内部决策解释的物品分类可解释性系统。本文主要研究工作包括以下内容:（1）提出一种基于局部注意力图互迁移的可解释性优化方法。目前存在的基于注意力图的可视化解释方法中,单一模型注意力图存在标注区域易出现偏差甚至标注错误而造成可视化可解释性置信度不足的问题。针对上述问题,本节提出多模型间注意力图互迁移算法,致力于提升模型注意力图标注准确度,以此加强视觉层面对于模型决策依据的可解释性。具体为采用轻量模型构建互迁移网络结构,在单一模型层间提取特征图并进行叠加,并对全局注意力图进行局部划分,使用皮尔逊相关系数对模型间对应局部注意力图进行相似度度量,随后将局部注意力图进行正则化并结合交叉熵函数对模型注意力图进行迁移。实验表明,该算法有效提升了注意力图标注区域的准确度,可视化层面可解释性显著提高。（2）提出一种基于深度决策树节点可视化的可解释性验证方法。该方法突破上节方法基于结果进行解释的局限性,主要针对模型内部进行逐层决策解释并对可解释性置信度进行验证。首先于全连接层前提取模型特征图并输入至深度支持决策树根节点,与节点内部权重做内积并进行逐层推理,提出优化类激活映射算法对节点输出进行可视化解释。而后通过交并比算法对骨干网络中卷积核单元与类别间的相关度进行度量并对特定卷积核单元置零,提取重构后的骨干网络特征图并重新输入决策树,从模型内部验证决策的可靠性,并对置信度进行主观与量化分析。实验结果表明,该算法有效提升了决策树节点注意力图标注准确度,同时,所提出的检验算法能够有效提升可解释性置信度。（3）采用功能模块化的设计,开发并实现了基于内部决策解释的物品分类可解释性系统。主要系统功能模块包括图像输入模块、图像分类模块、注意力图可视化模块、决策过程可视化模块、可解释性验证模块和存储模块。实验表明,该系统具有较为良好的易用性和有效性,适用于包括移动拍摄平台等多种设备中,具有较高的应用价值和前景。