神经元动作电位(spike)的发放与传递，是大脑神经系统实现信息交互和处理的基础。对spike的分类是研究大脑神经系统信息编码机制的重要前提。随着植入式多电极阵列(MEA)技术的发展，为研究神经信息编码机制提供了必要的实验基础。然而多电极阵列采集到的信号往往是电极附近多个神经元发放的spike和大量神经系统内外噪声的叠加，因此有必要从MEA采集到的原始信号中检测出有效spike，并快速准确的对spike进行模式分类，以完成相应神经元发放序列的重构。　　 针对spike信号的非线性和非平稳性，以及关联维数作为度量信号波形不规则程度的一种手段，本文提出了一种基于关联维数对神经元动作电位进行特征提取的新方法，同时结合K均值实现spike的分类；在关联维数提取具有可区分性特征的基础上，续而提出了基于多维关联维数特征提取，并结合模糊C均值算法分类的新算法框架。通过仿真数据和真实实验数据验证了两种spike分类算法具有较好的分类效果。由于噪声的非线性特性，真实实验中神经系统内外噪声是不可控的，所以很难确定噪声对神经系统输入与输出关系的影响，而神经元系统的数学模型将能很好的弥补真实实验中的不足，通过量化分析帮助人们理解实验中出现的问题和现象，所以本文以经典的Hodgkin-Huxley(HH)神经元模型为基础，研究了噪声对神经元输入与输出频率同步性的影响。　　 本文主要工作和研究成果如下：　　 (1)本文提出了一种基于关联维数特征提取及分类新算法，并给出了关联维数计算过程中延迟时间和嵌入维数等关键参数的选择依据，发现了基于关联维数提取的特征具有分层的现象；通过仿真数据和真实实验数据验证了新算法具有较好的分类效果，实验结果表明：基于关联维数提取的特征能有效表达和区分非同源spike的非线性和非平稳特性，可作为spike分类的有效依据；通过与其它分类方法的比较，体现出了新分类算法框架具有分类精度高、可靠性好等优点。　　 (2)本文提出了基于多维关联维数特征提取，并结合模糊C均值分类的新算法框架。给出了重构相空间中展现spike波形非线性动力学特性的最小嵌入维数方法，通过调整嵌入维数得到多维关联维数特征向量，经过KS检验选择可区分度高的特征向量，并利用改进后的模糊C均值算法实现spike信号分类。仿真和真实实验数据表明，新算法框架具有较高的分类准确率，替代人工分类具有一定的可行性。同时引入了F-measure作为新分类算法框架性能的评价指标，通过与一维关联维数特征及分类算法的比较，证实了新算法框架具有更高的分类性能。　　 (3)本文以经典的Hodgkin-Huxley(HH)神经元模型为基础，构建双层神经元网络模型，研究噪声对神经元输入与输出频率同步性的影响，以克服真实实验中噪声不可控缺陷而难以量化分析噪声对神经元输入与输出频率同步性的影响。实验结果表明：适当强度的噪声可以增强HH模型响应的节律性，提高了输入与输出的频率同步性，但起促进作用的噪声强度范围一般都很窄，且对不同输入对象起促进作用的噪声强度的范围也不同。这些现象的发现有利于人们对神经信息编码机制的进一步认识。