神经元是神经系统结构和功能的基本单位,是大脑神经网络的基本节点。神经系统对信息的处理是由神经元集群共同完成的,其中神经元网络的同步被认为在大脑信息处理过程中发挥了重要作用。神经元之间的突触连接强度是不相同的,并且随着生长、学习以及记忆等活动而改变,因此生物神经系统构成了一个权值变化的多层次信息网络系统。因此,有必要对变权生物神经元网络的同步进行研究,这有助于探索大脑信息处理机制,对于治疗神经系统疾病和推动人工智能发展都具有积极的理论和实际意义。本文研究的是变权神经元网络的同步动力学特性,主要分析了在不同权重变化规则下,神经元网络系统各种参数变化对于网络同步动力学特性的影响。主要工作如下:第一,对经典的Hodgkin-Huxley(HH)神经元模型进行了改进。在HH神经元模型中引入了一条钙离子通道,使得改进后的神经元模型的放电模式由峰放电变为了簇放电。第二,利用改进后的簇放电HH神经元模型建立神经元网络,分别研究了在Oja学习律下兴奋性神经元网络和抑制性神经元网络的同步动力学特性。使用兴奋度、平均相位差以及振荡频率等特征量分别研究了耦合强度、突触学习率、时滞以及衰减时间变化对于网络同步动力学特性的影响。在对兴奋性神经元网络的研究中,发现耦合强度以及学习率变化对于网络的动态特性有着较大的影响。在一定范围内,大的耦合强度会降低网络的兴奋度并且提高网络的同步性。学习率的增加对于网络中神经元的兴奋度是先提高再降低,而对于同步性是先降低再提高。在对抑制性神经元网络的研究中,发现耦合强度以及学习率变化对网络的兴奋度和同步等动态特性没有太大的影响。第三,研究了在spike-timing-dependent plasticity(STDP)学习规则下系统参数变化对Izhikevich神经元网络同步动力学特性的影响。主要研究了恢复变量参数变化对于网络的同步的影响,发现恢复变量的变化对于神经元的放电节律有着非常明显的调节作用。本文对以上研究结果从神经网络理论以及生物学的角度给出了解释,对真实地揭示神经元的信息传递机理具有一定的参考价值。