现有GIS深度诊断模型在可解释性方面存在明显不足，且仅根据统计性能指标进行评估后择定的深度诊断模型，常在实际现场环境下泛化能力差。这一问题已经成为限制深度智能诊断算法在GIS绝缘缺陷诊断领域实现工业应用的主要障碍。因此，通过改进梯度加权类激活映射图（improved gradient-weighted class activation mapping

Grad-CAM++），计算PRPD图谱各像素在最终卷积层上的梯度权重，得到改进的类激活映射图，以此表征深度诊断模型对不同输入区域的关注程度。然后，根据类激活映射图的注意力分布确定深度诊断模型的特征诊断逻辑，实现特征提取逻辑的可视化分析，便于校对诊断结果是否正确，以及分析误检样本产生的原因，进一步助力诊断模型的选择。为验证Grad-CAM++的有效性，基于真型GIS的试验数据构建多组残差神经网络模型，分别以统计指标、统计指标+类激活映射图两种方式进行诊断模型优选，并在实测现场数据集下对两种评估体系下的最优模型进行测试。试验结果表明，Grad-CAM++能够完善现有GIS深度诊断模型评估体系，有利于筛选更适应现场条件的深度诊断模型，并为现场检修人员提供分析深度诊断结果正确与否的依据，提高诊断准确率和决策置信度。