随着机器学习不断取得突破性的进展,复杂的机器学习模型在许多领域大放异彩,具有巨大的商业价值,促进了各行业领域的更新换代。但在我们不断去追求模型精度的同时,模型也不断复杂化,如何安全地应用这些复杂的高精度模型成为现在的一大难题。此外,高性能的机器学习模型一直无法运用到一些像金融、法律、医疗健康等对可解释性要求较高的领域,为解决这些问题,本文将对可解释的机器学习进行研究,对复杂模型进行解释,挖掘模型的决策依据。可解释的机器学习主要包含两个细分方向,一是内在可解释的机器学习模型,二是事后解释方法,本文将基于这两个方向进行研究和分析。在内在可解释的机器学习方面,本文将对近年新提出的模型EBM（Explainable Boosting Machine）、GAMx NN（Explainable Neural Network based on Generalized Additive Model）、GAMINET的原理进行介绍并进行实验分析比较模型的精度以及对模型的可解释性进行详细剖析。此外本文基于循环神经网络对内在可解释的模型GAMINET进行改进并应用于股票趋势预测,使得改进后的模型能够很好地处理时间序列数据的同时保留模型的可解释性。在事后解释方法方面,本文对经典的事后解释方法部分依赖图PDP（Partial Dependence Plot）、LIME（Local Interpretable Model-Agnostic Explanations）、SHAP（Shapley Additive Explanations）等进行了详细分析,并利用这些事后解释方法对训练好的复杂模型XGBoost进行分析,推断XGBoost做决策和预测的依据。基于事后解释方法LIME,本文提出了一种改进算法,LIME中使用线性模型局部逼近复杂模型,而本文将采用性能更好的内在可解释模型EBM和GAMINET去逼近复杂模型,改进后的LIME方法进一步提升了解释黑盒模型的性能。并且经实验发现,基于EBM的改进LIME方法更适合解释基于决策树的复杂模型,而基于GAMINET的改进LIME方法则相对更适合解释复杂神经网络模型。最后本文对研究工作进行了总结并对可解释的机器学习领域未来的发展提出了展望。