动物大脑皮层神经信号运动信息解码,是脑机接口(BMI)的重要研究内容。然而,传统神经元集群解码方法多使用的是线性方法,计算简单,易于实现,但是神经系统是一个典型的复杂的非线性系统,简单的线性解码方法已经成为制约神经解码精确性的瓶颈。因此,本文利用微电极阵列检测神经元锋电位信号,实现了锋电位检测、分类等预处理,重点研究了大脑运动神经信息非线性解码模型,给出了基于粒子滤波算法神经信息的解码,并与最佳线性估计和卡尔曼滤波技术进行了对比。主要内容如下：(1)给出了大鼠的行为训练模式和神经信号采集过程,并在基础上分析了锋电位信号的统计特性,结果表明神经系统是非线性、非高斯随机系统。为解决此类问题,研究了贝叶斯估计方法的基本理论,重点分析了用于神经信息解码的粒子滤波算法,总结了不同状态估计算法在非线性状态空间模型分析中的优缺点；(2)精确的锋电位检测及分类是高效神经解码的前提,为了提高大脑神经信息解码的精度,实现了锋电位信号的预处理。在检测环节,使用基于分段优化思想的形态学滤波器对锋电位原始信号进行去噪处理,对去噪后的信号再进行锋电位检测提取,实验结果表明锋电位检测正确率达到了95%以上；在分类环节,首先使用主成分分析方法提取锋电位信号的特征,然后使用K均值聚类方法对提取的特征进行聚类,实验结果显示锋电位分类正确率在90%以上,为大脑运动信息神经信息解码奠定了良好的基础。(3)建立了线性解码模型,给出了基于最小二乘理论的线最佳线性估计解码方法和基于贝叶斯估计理论的卡尔曼滤波解码方法,并利用大鼠海马区神经元锋电位实测信号进行了验证。实验结果显示：在数据量较少的情况下,基于卡尔曼滤波方法的解码效果明显优于基于线性最优估计方法的解码效果.相关系数提高了42%左右；然而,随着数据量的增加,基于卡尔曼滤波的解码性能与基于线性最优估计的解码性能趋于一致。(4)建立了非线性的神经元编码模型,并利用神经元编码模型对神经元位置感受野进行了拟合,给出了反映锋电位发放与运动位置之间的调谐函数；建立了神经信息解码的状态空间方程,并给出了基于蒙特卡罗理论的粒子滤波解码算法及神经信息解码算法。实验结果表明,粒子滤波解码精度明显优于基于卡尔曼滤波和线性最优估计的解码结果,解码信号与真实信号的相关系数达到0.95以上。此外,在低信噪比情况下,粒子滤波算法也表现出了良好的解码性能,而且仅用最优线性估计和卡尔曼滤波使用的12%数量的神经元,就能达到相似的解码精度。