尽管随机输入的单一神经元模型已经在理论和计算神经科学中被广泛地研究，但大部分研究是在假定输入为独立的泊淞过程情况下进行的。因为神经元发出和接收放电脉冲一般是更新过程，因此这种假定是对生理学数据的一种很粗略的近似。我们将考虑更新输入的情况，它是对神经键输入的一种更精确的近似。本文主要研究了Integrate-and-Fire神经元模型随机更新输入的近似问题和相关更新输入对Integrate-and-Fire神经元模型输出和解码的影响，以及两个相关点过程之间相关性的描述，获得了一些有用的新结论.具体地说：第一章介绍了问题研究的背景及本文的主要工作. 第二章研究了随机更新输入的Integrate-and-Fire神经元模型的近似问题，得到了两种新的近似方案。 第三章研究了低相关更新输入对Integrate-and-Fire模型输出的影响。对低的正相关，随着输入相关的增加，平均发放时间缩短。对低的负相关，平均发放时间独立于输入相关. 第四章研究了两个相关点过程之间相关性的描述。我们指出当两个点过程是泊淞过程时，相关系数能充分描述它们之间的相互关系。当两个点过程是更新过程时，相关系数随着时间窗口的变化而变化，是时间窗口的递增函数。于是我们提出用相关系数曲线来描述两个更新过程之间的相互关系。 第五章研究了随机相关输入的Integrate-and-Fire神经元模型的最优解码问题。使用Fisher信息，在理论上我们解决了这样一个问题：当抑制和兴奋输入的比(r)取何值时，神经元能最精确地解码Integrate-and-Fire神经元的输入。同时，我们指出相关输入整体上减小了解码的精确性。这些结论对优化神经网络的设计将是很有用的.