该文主要讨论了两方面的研究成果:利用决策树提高人工神经元网络的可理解性,以及利用人工神经元网络提高决策树的泛化能力.在"利用决策树提高人工神经元网络的可理解性"方面,该文提出了全新的"相关系数决策树"的概念,通过神经网络训练建立进行分类的数据,在不需要具体应用领域知识指导下,以统计学理论为基础,通过计算人工神经元网络的每一个输入节点和输出节点之间的相关程度建立决策树,把隐含在人工神经元网络中的规则表示出来,提高了提取人工神经元网络的隐含规则的准确程度.在"利用人工神经元网络提高决策树的泛化能力"方面,该文提出了全新的"可信度模型",该模型评估决策树每一次计算的可信程度,把那些可信程度不高、很可能出现预测错误的结果交给人工神经元网络重新进行计算,从而利用人工神经元网络修正决策树的预测错误.利用该模型构造的混合系统,决策树进行定性计算,而人工神经元网络进行定量计算,在一定程度上模拟了人类定性分析与定量分析结合的思维方式.