本项目开展深度学习可信性度量与可视化阐释技术研究，突破了深度学习网络层次化分析、路径分析、可信度量分析等关键技术，揭示了全局与局部的网络层次化作用机理，探索信息在网络关键路径的演变规律，建立了深度学习可信评估指标体系，研制可视化分析仿真软件，提升了深度网络模型的可理解性、透明性和可信性。
（1）提出基于非局部邻关系学习与解释图的网络层次化分析技术，实现网络层次化贡献度衡量，达到理解网络层级信息传递状况、评估网络层次设计合理性的效果。基于非局部邻关系学习的网络层次化分析技术的原理。（2）提出基于离散系数与对抗攻击的深度学习网络路径分析技术，实现网络关键节点分析、近似模型构建，达到理解网络节点间信息传递状况、评估网络节点设计合理性的效果。（3）提出深度学习算法可信度量技术，实现可信评估指标体系的构建，达到数值化评估深度神经网络可信度的效果。
基于本项目的研究工作，已授权发明专利5项，获批软件著作权5项，发表学术论文10篇，其中SCI索引收录7篇，EI索引收录3篇。基于本项目的研究工作已开发面向智能决策的深度学习网络可信度评估与可视化软件一套。培养博士生2名，硕士生6名。在项目执行期内，已建立面向智能决策的深度学习网络可信度评估与可视化示范应用软件，新增销售639.31万元，新增利润69.32万，新增税收30.24万。在项目执行期内，新增就业人数10人，就业培训40人次。