La explicabilidad de los modelos conexionistas es hoy en día un tema de investigación en curso. Antes de la llegada del aprendizaje profundo, se generaban reglas proposicionales a partir de Perceptrones Multicapa (MLPs) para explicar cómo clasifican los datos. Este tipo de técnica de explicación es mucho menos prevalente con conjuntos de MLPs y modelos profundos, como las Redes Neuronales Convolucionales (CNNs). Nuestra principal contribución es la transferencia de mapas de características de CNN a conjuntos de redes DIMLP, que son traducibles en reglas proposicionales. Realizamos tres series de experimentos; en el primero, aplicamos conjuntos DIMLP a un conjunto de datos de Covid relacionado con el diagnóstico a partir de síntomas para mostrar que las reglas proposicionales generadas proporcionaban explicaciones intuitivas de las clasificaciones DIMLP. Luego, nuestro propósito fue comparar la extracción de reglas de conjuntos DIMLP con otras técnicas utilizando validación cruzada. En cuatro problemas de clasificación con más de 10,000 muestras, las reglas que extrajimos proporcionaron la mayor precisión predictiva promedio y fidelidad. Finalmente, para el problema de diagnóstico de melanoma, la precisión predictiva promedio de las CNNs fue del 84.5% y la fidelidad promedio de las reglas generadas de nivel superior fue del 95.5%. Las reglas proposicionales generadas a partir de las CNNs se mapeaban en la capa de entrada mediante cuadrados en los que residían los datos relevantes para las clasificaciones. Estos cuadrados representaban regiones de atención que determinaban la clasificación final, con las reglas proporcionando razonamiento lógico.