脑科学是研究脑认知、意识与智能的本质与规律的学科。随着脑成像、生物传感、人机交互与人工智能等新技术不断涌现,脑科学正成为多学科交叉的重要前沿科学领域,也是众多国家的科技战略重点。脑科学研究的一个重要方面是对神经网络复杂构建中的单个神经元以及神经元通信问题的研究,该研究一方面可以用于神经元作用机理的基础研究和神经性疾病的早期诊断和治疗,另一方面可以对人工神经网络以及智能机器人等类脑研究提供基础理论支持和模型构造方案,推动其快速发展。因此,对神经元的研究成为当前脑科学研究的一个重点。锋电位分析是当前研究神经元的有效途径之一,通过对神经元锋电位信号的采集、波形提取、特征提取和聚类等操作,可以将特定特征的锋电位信号与特定的神经元细胞联系在一起,从而可以更好地研究人的行为、意识等与神经元细胞之间的关系。随着技术的快速发展,一方面,现在的高密度电极探针可以同时采集数千信道的锋电位信号,在采集信息更丰富的情况下,采集数据量呈指数增长,传统的锋电位处理方法需要花费巨大的处理时间,限制了实时场景的应用;另一方面,GPU从图形处理用于并行计算,使得大规模通用计算得以方便的并行化,从而可以对现有算法进行并行化及针对性优化。因此,设计一个可靠、实时、在线处理的锋电位分析方案是可行且必要的。本文提出的基于CUDA的实时锋电位分析方法,主要有以下几个贡献:(1)针对实时高通量锋电位数据,提出了基于CUDA的实时锋电位分析系统框架,并介绍了系统流程;(2)对在线数据的预处理提出重叠分块的方法,将数据划分为重叠块,从而保证数据块分割处的波形完整性,提高锋电位信号检出率;(3)分析锋电位聚类算法masked-GMM的并行性,并基于CUDA平台进行并行化实现;(4)对并行化实现的masked-GMM算法进行性能分析,优化代码的执行效率,使其达到实时锋电位分类;通过在真实数据集和混合数据集的实验,验证了算法的实时性和准确性,大大减少了锋电位分类算法在实时应用场景的局限性。