本文提出了一种基于Wiener-Hopf线性预测的可解释音频深度伪造检测框架。针对现有黑盒模型可解释性差、计算复杂度高的问题，作者设计了一个轻量级二维卷积神经网络（CNN），将Wiener-Hopf预测系数作为输入特征，实现了分类结果与声学特性之间的直接透明关联。在基准数据集上的实验表明，该方法在保持竞争性检测性能的同时，计算复杂度显著低于现有先进方案。利用Grad-CAM进行可解释性分析发现，分类器主要关注低阶预测系数以及静音和过渡区域，提示Wiener-Hopf预测器能捕捉合成语音中的混响特征和细微统计不一致性。鲁棒性实验显示，通过微调能有效恢复在常见后处理退化（如加性噪声、MP3压缩、电话滤波）下的检测性能。该工作为音频深度伪造检测提供了可解释且高效的解决方案。