如今,机器学习已经成功地应用于信息检索、数据挖掘以及计算机语音识别等多个领域。但是,由于其功能和工作机制上的复杂性,实际应用与学习中大多数用户将机器学习模型视为黑匣子,且高性能模型的开发需要耗时的、反复的试验过程。所以,对机器学习的可解释性进行研究探索是一个很重要的命题。学术研究人员需要更加透明和可解释的系统,以更好地理解和分析机器学习模型。可视化分析是将数据转换成富有信息的视图的新兴技术,它利用人类强有力的视觉通道以及认知感知能力,帮助我们能动性地获取信息和分析信息。因此,我们利用可视化分析技术对模型的可解释性展开分析研究。随机森林是由许多独立决策树组成的集成模型,该模型的整体性能胜过任何单独的决策树。但是,这也导致了模型的可解释性很差,它严重阻碍了该模型在需要透明且可解释的领域中使用,例如医疗诊断等。模型中结构的多样性和复杂性是解释工作面临的最大的挑战之一。在本文中,我们实现了一个可视分析系统RFSeer,其包含了多个模块、多个视图以及用户友好的交互功能,旨在对随机森林模型结构进行多维度地解释,并尽可能减轻用户的理解负担。为了证明RFSeer系统的可用性,我们进行了泰坦尼克人员信息和乳腺癌数据两种案例的研究。本文完成的主要工作如下:（1）可视分析框架的设计。基于数据可视化基础理论,介绍本文中可解释性随机森林的可视化分析框架设计细节,此框架将模型中的数据信息和可视化手段相结合,作为探索随机森林模型可解释性的技术手段。（2）可视分析系统的设计目标和任务的提炼。基于随机森林模型的特点和可视化的理论,提炼出RFSeer系统的设计目标和设计任务,作为后续的设计和编码工作提供指导。（3）可视分析系统中视图（View）的设计与实现。本文根据提炼出的设计目标和任务,设计系统中的模块以及可视化视图,设计的视图对模型的迭代过程以及模型结构进行了可视化展示,并且最终编码实现可视分析系统RFSeer。（4）使用RFSeer系统进行可解释性案例分析。针对已实现的可视分析系统RFSeer,进行两种使用场景的案例分析和研究,来证明系统的可用性与效率。用户可以交互式地对模型进行多维度地、多角度地理解和探索。