从大脑中提取出与生理信息或行为相关的脑电信号对于大脑信息的处理机制和脑-机接口(BCI)研究具有重要意义。为了得到更精确的脑电信号,获得有效的大脑信息,神经元细胞外微电极阵列记录的方式得到快速发展,由此记录到的动作电位(锋电位)能够提供更精确的信号,控制更精细的动作,在植入式BCI的研究中越来越引起研究者们的关注。在脑电信号的提取过程中,通常是通过神经元细胞外微电极阵列记录的方式产生的神经信号来获得锋电位,然而所产生的锋电位是一种非平稳性脑电信号,其幅值较小,信噪比较低,且在采集过程中容易引入噪声干扰信号。此外,还存在由电极周围的多个其他神经元发放的神经电信号,形成重叠锋电位,这些都会极大地阻碍锋电位波形的检测和特征提取。在锋电位的分析处理过程中,对锋电位波形的检测和分类在神经信息的编码和解码研究中起着越来越重要的作用。为了能够更精确的分析和处理神经元锋电位信号,提高锋电位波形检测和分类的正确率和效率是至关重要的。针对大量噪声信号以及重叠锋电位处理过程中存在的问题,本文从锋电位检测、特征提取和聚类分析三个方面进行了研究改进,具体工作内容如下:1)分析了两种经典的锋电位检测方法—阈值检测法和峰值检测法,并将其应用到锋电位检测中。通过软件仿真对结果进行对比,分析两种波形检测方法的优点与不足。针对其不足,本文采用基于数学形态学的波形检测算法,即先通过数学形态学的方法对原始的锋电位波形进行降噪处理,然后再用经典的峰值检测算法来检测锋电位。这种改进的方法有效减少了漏检和误检锋电位的数量,并提高了检测的正确率。2)在特征提取环节,分析了波形特征分析法和主成分分析法的实现方法,并通过软件仿真得出结果,尽管这两种方法都能实现对锋电位波形特征量的提取,但是,在提取波形特征量的过程中,仍然会忽略很多重要的特征信息。针对以上问题,本文以小波变换为基础,将它与核主成分分析相结合,采用此种方法能够更有效的提取出锋电位波形中的主要特征量,其特征提取的正确率和效率更高。3)在神经元锋电位的聚类分析中,分析了经典的k-均值聚类算法,模板匹配法,最大最小距离法以及基于特征的分类法的思想和实现原理,并通过软件进行仿真分析,指出这些方法的优势与不足。针对上述不足,本文采用了凝聚型层次聚类算法,并将其应用到锋电位波形的分类中,将其与前面的实验结果进行分析对比,通过对比分析可以看出,采用凝聚型层次聚类算法能够有效提高锋电位分类的准确率。