人体神经系统支撑着体内各个器官之间的功能及联系。神经元发放的锋电位是神经系统间传递和发布信息的媒介。目前常采用多电极胞外记录的方式对锋电位信号进行采集，从采集的信号中将锋电位信号检测、提取出来，并对不同形态特征的锋电位信号进行各自归类，这一系列的过程就称为锋电位分类。受当前采集技术的限制，当多个神经元细胞在相隔很短时间同时放电时，检测到的会是多个锋单位信号的叠加波形。叠加锋电位的波形形态会因为叠加时刻和叠加波形的不同而不同，这增加了锋电位分类的难度。因此，研究叠加锋电位的分类，是提高锋电位分类准确性的关键，对神经元集群编码的研究具有重要意义。本文通过对叠加锋电位的产生原理及波形特点进行研究，重点分析了叠加锋电位分类的难点问题，研究适合于叠加锋电位识别的特征表示方法和分类策略。为解决锋电位波形由于叠加而造成的波形信息丢失问题，本文通过对相空间重构算法进行研究，将其应用到叠加锋电位分类中，提出了基于相空间重构的锋电位分类策略。通过对锋电位进行相空间重构，丰富了其波形信息，可以从多角度对叠加锋电位样本进行分析。本文的方法，在Wave_clus数据集上进行了大量实验，实验结果表明，基于相空间重构的锋电位分类策略对叠加锋电位分类具有良好的效果，准确率有了一定程度的提升。针对基于相空间重构的分类策略中数据维度大及抗噪声能力差的问题，本文对其进行了改进，在相空间中引入了基于窗口斜率表示法和二阶差分表示法相结合的特征表示方法。结合之后的特征优化方法，不仅可以降低锋电位样本的维度，还可以将锋电位波形的变化趋势突出，有利于提高锋电位分类的准确性。通过对不同噪声水平和不同叠加程度的锋电位数据进行实验，结果表明，与单独用相空间重构算法及窗口斜率表示法相比，结合之后的特征表示方法不仅在一定程度上降低了数据的维度，而且对噪声干扰严重的锋电位数据能够保持较高的分类准确率。