神经信息学是由神经科学与非线性动力学结合而成的一个新的研究领域，它通过应用非线性动力学的基础理论和研究方法，对复杂的神经系统进行非线性分析，从而探究神经系统的组成和生理机制。由于神经系统是由大量神经元通过连接纤维所组成的一种复杂网络，因此研究神经元网络的非线性动力学行为对于了解大脑的工作机制，尤其是学习与记忆的生理机制是十分重要的。　　考虑到近年的研究中，神经元网络的内在因素如单体神经元控制参数、网络的连接方式等，它们对网络动态特性和时空动力学的影响方面的研究还有待完善，因此我们选择研究可塑性网络的内在因素对网络动力学的影响。本文的主要内容有以下几个方面:　　第一部分:对神经信息学基础理论做一概述，并介绍了当前神经信息学前沿的一些研究成果。在此基础上给出了我们选题的研究意义。　　第二部分:首先介绍Izhikevich神经元模型，而后改变Izhikevich神经元膜电位恢复变量u的时间尺度参数口，研究其对网络放电节律的影响。在研究中，我们根据神经元兴奋性的不同将参数口区分为兴奋型神经元参数αExt和抑制型神经元参数αInt。考虑到实际情况，αExt和αInt被设定在一定范围内变化。通过研究发现，参数α均存在一个临界值，当αExt大于临界值时，网络的放电节律中会出现γ节律;而αInt则与之相反:当αInt小于临界值时，网络的放电节律中会出现γ节律。此外，在出现γ节律的情况下，当0.02＜αExt＜0.03时，γ节律的产生时间会因αExt的增大而提前;当0.05＜αInt＜0.15时，γ节律的产生时间则因αInt的增大而滞后。　　第三部分:我们求解了Izhikevich神经元的静息态，并详细描述了神经元膜电位的小恢复变量振荡过程。这里我们指出:膜电位的小恢复变量振荡最明显的特点就是膜电位v的振荡频率要高于后面的同步放电振荡状态。进一步，我们研究了恢复变量对膜电位依赖程度参数b对网络放电行为的影响。当不对网络施加丘脑输入电流的情况下，参数b存在一个临界值0.27，当b＞0.27时，网络就将不存在静息态，此时不论有丘脑输入电流，随着参数b的增大，同步放电序列中每个峰值的参与放电神经元数目都会随之增大。此外，在对网络施加丘脑输入电流后，我们发现在较低的参数b下，网络会出现一种“单神经元放电”行为。对这一行为出现的原因我们进行了分析和模拟，得到的结论是当降低参数b时，神经元的不应期会随之增大，从而导致一个神经元发出的脉冲很可能无法激发其它神经元。从进一步对网络放电时间间隔的统计结果中，我们得到了幂律关系，也就是说低依赖程度参数下，网络会明确表现出无标度性质。　　最后，通过科研实践和文献调研，对本研究领域的前景做出了展望。