神经元锋电位是神经系统接收、分析和传递信息的载体,大脑将锋电位中的信息加以处理和整合,还原为感觉并做出反应。因此,锋电位的检测与分类是研究神经信息编码的基础,对揭示大脑工作机制具有非常重要的意义。多通道电极能同步记录多组锋电位序列,给我们提供了一个了解多神经元协同工作机制的窗口。但其记录的信号数据量大、形式复杂,也给锋电位信号处理带来了新的挑战。本文根据多通道锋电位的数据特征将四元数信号处理方法应用于研究多通道锋电位预处理、检测以及特征提取和分类。本文根据锋电位数据特征,结合四元数差分滤波同步降噪方法和小波阈值降噪,提出一种多通道锋电位并行预处理方法。基于仿真数据和国际公开的真实锋电位数据库对本文方法进行验证,证实本方法能有效抑制多种噪声信号和基线漂移的影响,降低同类锋电位的波形差异度,提高锋电位分类的准确率。本文根据四元数代数理论提出基于四元数均方根的锋电位球阈值检测算法,并实现该算法在三维空间的可视化。经仿真和真实锋电位数据验证,四元数阈值检测算法的运算时间和检测结果的准确性均优于传统阈值法和窗口阈值法。锋电位特征提取是实现其准确分类的前提。由于在实际锋电位分类实验中数据量大,现有多通道锋电位特征提取方法处理缓慢,并且会丢失各通道数据间的关联信息。本文根据多通道数据的结构特点,将基于四元数双对角化的改进四元数主成分分析应用于多通道锋电位的特征提取,该方法在融合多通道数据信息的同时,降低四元数主成分分析的计算复杂度。针对四元数特征提出基于四元数距离的K-means聚类算法,并与基于串行PCA特征的普通K-means聚类结果进行比对,证实本文提出的锋电位四元数并行处理优于传统串行处理,并且与人工分类的结果相似。因此本算法能够在实际锋电位分类实验中代替人工分类方法,提高工作效率。