神经元集群编码和spike train分析是神经信息处理的关键问题。随着多电极同步记录技术的发展,在海量数据中发现神经信息处理的模式和规律,需要多维神经发放的理论模型和计算方法。本文首先介绍了神经脉冲发放的齐次泊松模型,包括神经元的脉冲响应函数、瞬时发放强度、泊松过程的概率函数和等待时间的概率密度分布。然后介绍了神经脉冲发放的非齐次泊松模型、ISI的概率密度函数,验证了非齐次泊松过程的Fano系数,同时介绍了模拟任意强度spike train发放的thinning算法。接下来本文介绍了利用高阶多维泊松模型来分类预测动物行为的贝叶斯方法。首先提出了统计性质不变的spike train变换方法,然后估计了泊松过程强度参数的后验GAMMA分布,提出了神经发放强度的不确定性度量方法,同时给出了神经脉冲分类的最大似然估计量。最后提出了multi-spike train的多通道集成分类策略。该方法在大鼠U迷宫和Y迷宫实验大约350组试验中,使用20组作为训练集的情况下的分类准确率在97%左右。然后本文分析了基于模型的神经元信息编码的离散信息表达率及其影响因素。首先定义了神经元离散信息表达率,即神经元集群能以多大的概率将信息正确的传递到下一级神经元集群中。同时研究了信息状态的频率分布、神经脉冲长度、信息状态的空间分布对神经元集群的信息表达率和冗余性的影响。同时本文给出了神经元信息表达率和麦克劳林展开式的关系以及信息、的最优频率分布。最后,本文提出了功能性神经集团检测的方法。首先分析了直接Person相关性的失效情况,同时定义了多尺度动态神经元相关性度量。然后提出了使用min-cut算法来检查神经元功能性集团,以及如何进行神经元任务相关度的排序。接下来在大鼠U迷宫实验的数据中应用该算法并和随机情况作比较。