La ventaja significativa de las redes neuronales profundas es que la capa superior puede capturar las características de alto nivel de los datos basadas en la información adquirida de la capa inferior al apilar capas profundamente. Dado que es desafiante interpretar qué conocimiento ha aprendido la red neuronal, han surgido diversos estudios para explicar las redes neuronales y superar este problema. Sin embargo, estos estudios generan la explicación local de una sola instancia en lugar de proporcionar una interpretación global generalizada del modelo de red neuronal. Para superar tales inconvenientes de los enfoques anteriores, proponemos el método de interpretación global para la red neuronal profunda a través de las características del modelo. Primero analizamos la relación entre la entrada y las capas ocultas para representar las características de alto nivel del modelo, luego interpretamos el proceso de toma de decisiones de las redes neuronales a través de las características de alto nivel. Además, aplicamos técnicas de poda de red para hacer explicaciones concisas y analizamos el efecto de la complejidad de las capas en la interpretabilidad. Presentamos experimentos sobre el enfoque propuesto utilizando tres conjuntos de datos diferentes y mostramos que nuestro enfoque podría generar explicaciones globales sobre modelos de redes neuronales profundas con alta precisión y fidelidad.