随着大数据和人工智能技术的飞速发展,深度卷积神经网络（Convolution Neural Network,CNN）被广泛的应用于多种任务场景,并取得不错的效果。然而对于多数应用场景来说,深度学习模型仍然是不可解释的黑盒子,其主要由两个问题导致:（1）深度神经网络做出的决策不可评估;（2）深度神经网络学习的知识对人类不可知。在脑科学领域的神经编码理论中,特定的神经元能对同一类的刺激产生反应,并且刺激信息会随着神经路径（神经回路）进行传递,直至决策中枢。与大脑类似,人工神经网络中信息也是随着神经元逐层传递至决策层。因此,本文将结合神经编码理论,对卷积神经网络在图像识别任务中可解释性进行探究。本文主要工作如下:（1）针对深度神经网络做出的决策不可评估问题,提出了结合类相关神经路径的神经网络决策置信度评估方法。首先,分类统计不同类别的样本在神经网络中各神经元的激活值;其次,根据神经网络各层神经元的激活值分布情况,梳理得出特定类别独有的神经路径;然后,通过对比各类别神经路径间的相似度,发现导致神经网络误分类的原因;最后,通过对神经网络目标函数中添加惩戒项,实现控制特定类别神经路径的形成,用以评估神经网络决策的置信度。实验结果表明:利用样本在神经路径中的激活情况,可以有效评估神经网络对于该样本决策的置信度。（2）针对深度神经网络学习的知识不可知问题,提出在卷积神经网络中嵌入可解释语义卷积算子的方法。首先,定义了提取线段、浮雕、边缘和轮廓等特征的可解释卷积算子;其次,使用随机替换的方法,将原始卷积神经网络模型中的卷积算子换为可解释算子;最后,结合可视化的方法,将这些卷积算子提取的特征图展示出来,获得神经网络学习的知识。本文将该方法应用于图像分类任务中的ResNet和DenseNet模型,并在CIFAR-10数据集上进行评测,实验结果表明:嵌入卷积神经网络的算子能够学习出人类能够理解的知识,而且这些知识对卷积神经网络的性能影响较大。