数学能力是人类重要的高级认知能力,而对数量的表征则是获得数的概念以及发展更高级的数学能力的基础。当前关于数量表征的神经编码方式还存在争议:其中一种观点认为神经元的编码方式是总和编码,认为神经元对数量的反应函数呈现单调递增或递减的模式;而另一种观点是位置编码,该理论认为在数量表征中某些特定神经元针对特定数量发放成单峰函数,即对其偏好的数量产生最大发放率。现有的计算模型研究认为,这两种编码方式并非互相排斥,在数量表征与加工的过程中,数量信息的提取可能始于顶叶皮层的总和编码,然后根据任务的要求转换成位置编码,并投射到前额皮层,储存在记忆中,以完成不同的任务。基于这一假设,本研究采用神经计算模型来模拟和探索不同任务下人脑对数量的编码方式。模拟任务包括包括无任务、命名任务、数量匹配任务以及大小比较任务。首先,重复Zorzi等人（2012）的无监督深度网络（无任务）,模拟数据显示与Zorzi等人的结果相一致,无任务下该网络确实出现了数感（数量探测器）,且数量探测器对数量的编码方式为总和编码。基于这一结果,我们增加网络的层数和每层的单元数,结果发现随着网络的不断壮大,总和编码的神经元数减少而位置编码的神经元开始出现。接着,在此模型基础上加多一个标签层用以模拟数量命名任务,结果发现网络涌现了对某些数量偏好的数量探测器,即位置编码的神经单元。最后,我们采用有监督的深度网络用来模拟数量匹配任务和大小比较任务,结果发现神经网络在做这些数量任务时使用的是位置编码。综合以上结果表明,网络在开始学习数量特征时,对数量的编码为总和编码,而随着数量概念的学习深入,其编码策略逐渐转变为位置编码。