神经系统控制着生物肌肉的活动,协调着各个组织和器官,建立和接受外来情报并进行协调。神经系统是动物体最重要的连络和控制系统。神经系统通过神经元发放锋电位来传递信息,分析锋电位序列是解析神经科学的重要前提。细胞外记录是将电极插入大脑细胞组织以记录单个神经元活动的技术,是神经科学家用来研究大脑工作方式的常用方法。这些电极记录了周围多个神经元的活动信息。锋电位分类就是为了将这个信号分解为单个神经元活动信息的过程。由于神经信号易受外界噪声干扰,采集到的神经信号信噪比较低。电极周围存在的多个神经元会同时发放锋电位信号,形成重叠的锋电位。这些都增加了锋电位分类的难度。为了更好的解析神经信号,提高锋电位分类的鲁棒性和准确性是至关重要的。本文针对低信噪比信号以及大量重叠锋电位信号处理存在的问题,从锋电位检测、锋电位特征表示、锋电位分类策略三个方面提出了相应改进的算法。具体算法改进内容如下:1)传统阈值检测方法在处理低信噪比信号时,存在大量的漏检和误检的问题。窗口检测法容易对窗口内的重叠锋电位信号误检。为了提高信噪比和识别重叠锋电位信号,本文提出了改进窗口检测算法,加入重叠信号发放时刻的能量检测作为二次检测。2)字典学习方法总是能尝试学习蕴藏在样本背后最质朴的特征。为了增强字典学习方法对锋电位信号的表征能力,使所得特征更易于准确区分不同类别的锋电位。本文使用类似神经网络结构的字典学习方法,增加了字典学习的解析层数,使字典学习的表征能力增强。3)在聚类处理过程中,为了减少边界点对聚类的影响,本文采用模糊聚类方法。通过计算边界点模糊隶属度,来提高分类的效果。同时结合特征样本点的密度值计算,判断野值点的位置。重叠锋电位信号往往被当作了野值点处理,使用模板匹配判定信号由几个锋电位所叠加形成,增加了对重叠锋电位分类的准确率。针对改进的算法,论文基于模拟数据集和真实数据集进行了算法的测试,测试结果表明不论是数据噪声程度是Easy或者Difficult分类准确率都保持在90%以上,对不同信噪比的信号具有很好的鲁棒性。对于重叠锋电位信号,分类结果对比传统方法提高了近20%的准确率。最后,对真实生物数据测试,本文的方法能很好的识别重叠锋电位,具有较好的实际应用效果。