Los avances en el campo de la inteligencia artificial han sido rápidos en los últimos años y han revolucionado diversas industrias. Se han propuesto varias arquitecturas de redes neuronales profundas capaces de manejar tanto texto como imágenes, abarcando la generación de código a partir del lenguaje natural, así como la producción de traducción automática y resúmenes de texto. Por ejemplo, las redes neuronales convolucionales o CNNs realizan la clasificación de imágenes a un nivel equivalente al de los humanos en muchos conjuntos de datos de imágenes. Estas redes de última generación han alcanzado niveles de éxito sin precedentes al utilizar arquitecturas complejas con miles de millones de parámetros, numerosas configuraciones de núcleos, inicialización de pesos y métodos de regularización. Desafortunadamente, para alcanzar este nivel de éxito, los modelos que utilizan las CNNs son esencialmente de caja negra, con poca o ninguna información interpretable por humanos sobre el proceso de toma de decisiones. Esta falta de transparencia en la toma de decisiones dio lugar a preocupaciones entre algunos sectores de la comunidad de usuarios, como la salud, las finanzas, la justicia y la defensa, entre otros. Este desafío motivó nuestra investigación, donde producimos con éxito características influyentes interpretables por humanos a partir de CNNs para la clasificación de imágenes y capturamos las interacciones entre estas características al producir un árbol de decisión conciso que toma decisiones de clasificación. La metodología propuesta utiliza un VGG-16 preentrenado con ajuste fino para extraer mapas de características producidos por filtros aprendidos. En el conjunto de datos de referencia de imágenes CelebA, producimos con éxito reglas interpretables por humanos que capturaron los principales puntos de referencia faciales responsables de segmentar hombres de mujeres con un 89.6% de precisión, mientras que en el conjunto de datos más desafiante de Gatos vs. Perros, el árbol de decisión alcanzó un 87.6% de precisión.