视觉信号的初级处理发生在视网膜。视觉信号在光感受器细胞上形成输入，并被转换成电信号，经视网膜神经元回路传递至输出神经元——神经节细胞，形成动作电位——锋电位，然后通过视神经进一步向视觉中枢传递。视网膜研究的目的之一就是了解视觉信息是如何在视网膜中进行编码和传递的。而神经元锋电位的分类是视网膜的研究的基础，只有将视网膜神经节细胞锋电位信号准确分类，才能深入研究单个的视网膜神经元细胞的运作机理，才能知道神经元之间是怎样进行信息传递和处理的，最后才能揭示神经元细胞的协同活动在视觉信号形成、编码和传递中的作用。 本文主要对视网膜锋电位信号的检测与分类的方法进行研究，并提出了一种基于人工神经网络的锋电位分类方法。多电极细胞外记录能同时记录到多个神经元的活动，为研究神经元之间的群体活动特性提供了实验基础。但是记录到的信号是多个神经元信号的叠加，而且还包含噪声，这就引出了神经元锋电位信号分类的问题。由于背景噪声对检测和分类的影响很大，因此锋电位分类的第一步是对信号做预处理，其中包括工频滤波和高频滤波。预处理以后的信号首先经过阈值检测，检测出可能的锋电位信号。主元分析方法可以降低数据的维数，并获得数据的主要特征。再对这些特征进行聚类，就可以确定神经元的个数和重构锋电位信号。本文研究的重点就是在此基础上利用聚类的结果，取对应的锋电位信号训练人工神经网络。利用训练好的神经网络进行锋电位分类，并结合模板匹配思想解决叠加信号的分离问题。 现有的各种锋电位分类方法都有自己的优势和缺陷。主元分析、聚类分析、模板匹配和人工神经网络结合的分类方法则综合利用了各个方法的优点，并避免了各自的缺陷。仿真结果表明，这样的综合方法是提高锋电位分类方法的效率的有效途径。