Este estudo apresenta uma investigação sobre a aplicação de técnicas de Aprendizado por Imitação (IL) para a extração de políticas estruturadas e interpretáveis a partir de modelos especialistas operando como caixas-pretas. O foco principal é analisar a viabilidade e eficácia dessa abordagem em traduzir comportamentos aprendidos por redes neurais profundas em árvores de decisão, que representam um conjunto de regras que podem ser sequencialmente avaliadas para chegar numa decisão. Avaliamos esta metodologia em três ambientes de simulação distintos: Lunar-Lander, Taxi e CartPole. Testamos os algoritmos DAgger e sua variante VIPER, que iterativamente treinam políticas representadas por árvores de decisão a partir de demonstrações de uma política especialista. Comparamos o uso de árvores de decisão tradicionais com árvores de modelos lineares, que contém modelos lineares em suas folhas.