卷积神经网络CNNs（Convolutional Neural Networks）^[1]从被提出以来陆续取得了优异的表现。但是,CNNs端到端（end to end）的学习策略使得网络的可解释性无法得到保障。端到端学习的全部学习流程不是进行人为的子问题划分,而是完全交给深度学习模型直接学习从原始数据到期望输出的映射。其优点是给模型更多的可以根据数据自动调节的空间,增加模型的整体契合度,但与此同时模型的可解释性变得模糊不清。模型的可解释性是神经网络研究和发展中的挑战,也是CNNs重要的特性和弱点,在理论和实践中都具有很高的价值。因此,本文提出了一种基于互信息的可解释CNN模型图像分类方法和结合了模式挖掘与上卷积网络的可视化方法,对卷积神经网络的可解释性进行探究。具体的工作如下:（1）设计了一种在一定先验约束下的特征提取方法,结合了卷积操作本身所具有的局部特性,设计了一组用欧氏距离赋值的遮掩模板。通过对滤波器输出的特征图进行遮掩,将激活区域集中收敛,从而提取出滤波器的特征表达。（2）提出了一种基于互信息的损失函数来对滤波器的表示进行规范,进而提高滤波器乃至整个网络可解释性,并依此搭建了一个基于互信息损失的可解释CNN图片分类模型,通过训练普通CNNs来和我们的可解释CNN做对比,并计算了两种网络在单分类任务和多分类任务中各自的部位不确定性和位置不稳定性。（3）结合模式挖掘和上卷积网络的思想,提出了一种对CNN的卷积层进行可视化的方法,并适用在我们搭建的可解释CNN中,验证我们模型的可信性及其可解释性。