随着人工智能技术的高速发展,它被广泛应用于解决不同的领域问题。但是,由于一些智能模型的结果缺少可解释性,导致在许多实际的安全敏感任务中存在严重隐患。因此,赋予人工智能系统可解释性成为了当前的热门研究课题之一。目前已存在许多相关的研究成果,例如基于规则的可解释性模型、基于模型蒸馏的解释方法、引入注意力机制等。本文针对医疗诊断领域,提出了一种用于识别医学图像的可解释性智能模型,它融合了机器学习和知识推理两种人工智能技术。所提模型不仅能够为决策结果提供解释,其构建的结果证据链还记录了模型的重要参数。这帮助人们理解系统做出决策的逻辑,以及基于证据链更好地了解结果可能失败的原因。文章主要研究工作如下:（1）针对医疗诊断领域的人工智能模型缺少可解释性的问题,本文提出了一种融合机器学习和知识推理两种技术的可解释性模型。通过演进目标特征结果和知识推理结果,模型实现了可解释性,并在不断迭代的过程中提高了模型的性能。其中,目标特征结果为目标特征分类器的结果,推理结果由多个子特征分类器的结果结合逻辑规则进行知识推理得到。演进过程根据两个结果是否相同、是否可靠的不同情况作出不同决策。（2）提出演进方法的具体实现——基于可信度评估的融合方法。该方法首先定义并构建结果证据链,它用于记录模型的一些重要参数,当结果失败时,可以根据证据链中的异常参数追溯到结果失败的原因。其次,基于证据链的结构,计算目标特征结果和知识推理结果的可信度,它是衡量结果是否可靠的评估值,通过对比两个可信度和阈值之间的大小关系,模型判断两个结果是否可靠。最后,融合方法描述了具体的演进决策:当两个结果相同且都可靠的情况下,模型输出结果,并为其提供解释;其他情况下,模型输出它认为正确的结果,同时优化内部结构或更加信任自身。（3）设计并实现面向液基细胞学检查图像的融合学习与推理的宫颈癌细胞识别案例。将所提模型具体应用于宫颈癌筛查工作,辅助医师进行宫颈癌筛查。这可以大幅度降低人工成本、提高识别宫颈异常细胞的效率。该案例验证了模型的可行性。所提模型也可以应用于其他的医疗诊断领域中。实验表明,所提模型能够实现可解释性,其分类结果的准确率总是比演进前的目标特征结果准确率或推理结果准确率高,且演进方法在迭代过程中逐渐提升了模型的分类性能。所提的可解释性方法对实现医疗诊断领域的可解释性智能模型具有一定参考意义。