近年来,随着数据资源的日益丰富,机器学习模型逐步被用于发现隐藏的数据模式和趋势,并且已经广泛应用于很多领域,如医疗、金融、营销等等。虽然机器学习模型具有一定的应用广泛性和优势,但仍有一些人由于对模型的理解及经验不足等原因,对机器学习模型的使用持消极态度。这表明人们在使用机器学习模型时还存在许多障碍。对高预测准确率的追求导致许多机器学习模型都异常复杂,表现出黑箱特性,黑箱模型的可解释性较差是阻碍用户使用机器学习模型的关键因素。复杂预测模型指的是输入变量与预测变量之间具有复杂的非线性关系的模型。一般来说,绝大多数机器学习模型都具有这个特点,如神经网络和随机森林等,其内部机制很难被人们理解,人们无法对模型的计算过程和结果进行具体的解释,因而很难通过分析模型的输入和输出进行决策。此外,当模型的透明度较低时,也很难赢得模型使用者的信任。复杂预测模型可解释性的理论和方法研究,将有助于提高用户对机器学习模型的信任和信心,并推动机器学习模型更加广泛的使用。基于此,本文主要研究两方面的内容:（1）用户决定是否采纳复杂预测模型时,主要的影响因素有哪些,如何从这些因素入手,促进复杂预测模型的采纳。在研究这一问题时,本文梳理了技术接受模型的相关文献,并结合机器学习模型的特点,整合其他外部变量,通过复杂预测模型用户接受意愿影响因素实证研究,探索鼓励企业采纳复杂预测模型的关键因素,尝试寻找有显著影响的因素,并给出一些建议来促进复杂预测模型的采纳,以便机器学习能够为企业提供更完善的服务。在复杂预测模型采纳的影响因素中,模型的可解释性较差一直是阻碍用户使用的关键因素。因此,研究机器学习黑箱模型的可解释性对模型采纳的影响是这部分内容的研究重点。（2）复杂预测模型用户接受意愿影响因素的研究从用户采纳的角度给出了复杂预测模型可解释性研究的必要性。对于复杂预测模型的可解释性,本文主要研究怎样识别输入变量对预测结果的不同影响,以及如何使模型结果能够有效地支撑决策。针对这一问题,本文梳理了黑箱模型可解释性研究的相关文献,着重探讨有监督学习模型中输入变量对预测结果的影响。其中,对于输入变量,分别从变量独立和变量相关两个不同角度,提出了通过识别输入变量对预测结果的影响来解释黑箱模型的方法。并应用于人工数据集和真实数据集中,在实验中体现出变量影响对于黑箱模型可解释性和决策分析的重要作用。复杂预测模型的可解释性是影响用户采纳的重要因素,可解释性研究一般分为三类:变量贡献研究、变量交互作用研究和变量影响识别方法研究。对于本文要着重研究的变量影响的识别方法,从目前的研究成果来看,有些方法只能观察到部分影响,忽略了一些重要影响。还有一些方法不能简单直观地分析出变量间交互作用的影响。此外,现阶段的研究仅限于输入变量独立条件下对预测结果的影响研究,本文对于输入变量相关条件下对预测结果的影响也进行了深入研究。相比于以往的研究成果,本文的主要研究结论与启示如下:（1）机器学习模型的可解释性对信任因素有非常重要的影响,而信任在影响感知有用性和态度方面起着关键作用。组织因素（管理者的要求和竞争对手的压力）对使用机器学习模型的态度和行为意图也有很强的积极影响。基于机器学习模型可解释性的理论和方法研究,将有助于提高用户对机器学习模型的信任和信心,并推动机器学习模型更加广泛的使用。（2）本文提出了一种分析输入变量独立条件下对预测结果影响的新方法。该方法从个体观测的变量影响出发,将个体影响聚为几种典型的影响曲线,呈现出变量对预测结果影响的单调性和形状,最后,基于树规则的变量关系图揭示隐含在预测模型中的变量间的交互作用,并直观地展现出最重要的影响变量。（3）除了变量独立条件下的影响研究,本文还提出了输入变量相关条件下对预测结果影响的方法,并与变量独立条件下的影响进行对比分析。（4）变量影响识别在现实中的应用主要体现在四个方面:基于影响曲线图进行预测模型比较,评估预测模型的质量,通过变量关系图识别最重要的变量,完善策略的设计以改进模型的输出。本文的主要贡献和创新点体现在以下三个方面:第一,提出一种新的基于变量独立条件假设的变量影响识别方法。该方法能够简洁、直观、完整地展现输入变量对预测结果的典型影响,并能够利用树规则揭示变量间的交互作用,提高了变量影响识别效果。第二,提出一种新的基于变量相关条件假设的变量影响识别方法。该方法解决了现有研究中主要基于变量独立假设的不足,提高了变量影响识别方法对各种应用场景的适用性。第三,基于扩展的技术接受模型,提出了一种机器学习技术采纳理论模型,验证了模型解释研究的必要性。