深度神经网络技术在近年内发展迅速,在诸多认知相关问题(如图像识别,语音识别,自然语言理解等)上达到接近人类的精度,已被广泛投入实际应用中。然而神经网络的理论基础,却尚未有公认的解释,仍然是一个悬而未决的难题。本文从消除语义鸿沟这一思路展开此命题,首先介绍了多种常用的神经网络解释算法,完善理论基础。随后对传统及深度特征提取方法进行了阐述,揭示了它们在语义信息表现方面的不足。基于这些问题,我们将神经网络解释应用在语义特征提取上,以提高特征的语义表征能力,进而提高检索系统的性能,并增强其可交互性与可解释性。在神经网络解释部分,我们说明了消除语义鸿沟是神经网络理解的最终目标,也是其本质所在。并从消除语义鸿沟和神经网络解释两个角度提出了解决问题的方法路线。依照方法路线,我们提出了一种新的算法ICL-CNN,将神经网络各层的卷积类比成稀疏编码,将显著性算法施加在神经网络的各个卷积层中,结合了CNN与ICL的优势,合并成物体级别的显著性图。在此基础上,我们用统计方法引入了物体的概念作为显著性的条件,从而结合了自顶向下显著性检测的优势。我们用此方法揭示深度网络各个层次或整体的处理过程。在语义特征提取部分,我们将神经网络解释算法应用到特征提取中,将当前先进的CNN特征提取流程和类别响应图(Class Activation Mapping,CAM)方法融合在一起,使得在单次CNN前向运算中就能够提取出更具有语义特性的深度图像特征。我们在100,000张服装图像的规模下,运用以上方法搭建服装检索系统,相比当前最优算法有一定性能提升。除此以外,语义信息的引入增强了系统的可交互性与可解释性,使得用户可以改变各个属性的特征权重,甚至可以将其他服装的部件特征替换到待检索图像上来,从而增加了用户检索的自定义化程度,增强了系统的互动特性。作为深度神经网络解释算法的介绍,拓展与应用,这项工作的主要贡献是搭建理论基础,挖掘神经网络的非端到端功能,对神经网络模型发展,和垂直方向应用都具有一定帮助。