Введение. Одним из наиболее эффективных инструментов для решения задачи классификации отметок объектов на радиолокационных изображениях являются нейронные сети. Однако процесс принятия ими решения непрозрачен, в связи с чем определение классификационных признаков объектов, вносящих существенный вклад в результат работы сети, – актуальная задача, составляющая часть общей проблемы "объяснимого искусственного интеллекта".Цель работы. Определение классификационных признаков объектов военной техники, выявляемых глубокой сверточной нейронной сетью в процессе обучения.Материалы и методы. Обучение и тестирование нейронной сети осуществлено с использованием фреймворков Keras и Tensorflow 2.0. В качестве датасета использована открытая часть набора радиолокационных изображений MSTAR. Для определения классификационных признаков использован метод GradCAM.Результаты. В случае изображений с неподавленным фоном собственно отметка объекта вносит определяющий вклад в результат классификации только для 58 % изображений, для 6 % результат в основном обусловлен радиолокационной тенью объекта, а для 25 % – фоном местности. Для 11 % изображений наиболее выраженный классификационный признак установить не удалось. Для изображений с подавленным фоном результат классификации обусловлен распределением яркости в пределах отметки примерно в 60 % случаев, а ее контуром – в 40 % случаев.Заключение. Особенность набора MSTAR в том, что каждый класс представлен набором изображений одного и того же реального объекта при различных ракурсах съемки. Следствием этого являются локальные особенности фона, не заметные для человека, уникальные для каждого класса объектов и способные внести определяющий вклад в результат обучения нейронной сети. Показано, что подавление фона и снижение размерности изображений устраняет этот эффект. Из полученных результатов также следует целесообразность проведения дальнейших исследований возможностей методов XAI применительно к современным нейросетевым детекторам и датасетам радиолокационных изображений.