神经科学的研究是揭示大脑工作机制和规律的一门前沿学科，它对于人工智能的发展、人类健康、社会进步都有极大的幅射力。锋电位信号分类(spike-sorting)把从脑区获得的放电信号分离为一个个神经元的放电模式，是深入研究神经细胞对信息的编码解码规律的先决条件，其研究结果对建立有效的人工神经网络模型以解决实际问题有重要的推动作用。 本文阐述了锋电位信号分类的发展概况与处理流程，结合该问题的技术难点及现存分类方法的不足，提出为该问题建立一个半监督的锋电位信号分类框架的解决思路。即以半监督聚类的思想为指导，综合运用神经网络、流形学习、仿射传播聚类等高效的机器学习方法，在框架当中融合人的先验知识与机器的计算效率，使问题获得较好的解决。 鉴于数据可视化技术有助于获得更为可靠的先验知识，而自组织特征映射网络(SOM)不但能对高维数据进行学习、降约，而且能保存原数据中的分布与拓扑信息，在经过一些信息抽取技术的处理之后，原空间的聚簇结构可为人眼所观察，从而方便人的监督指导。为实践这项高效的技术，作者从事了对气溶胶数据的聚类工作。其中，针对具体数据的特异性而使用了特殊的预处理方法，如通过TF/IDF变换对特征的赋权。最后，在SOM训练结果基础上进行二次聚类以得到最后的分类结果，虽然比较合理，但仍存在同一类别神经元分散的问题。 针对前人及作者本人在应用SOM得到的结果中所存在的问题，本文提出SOM训练后的网格存在着二维的流形结构，直接通过传统的聚类方式进行后续处理会出现扭曲网格信息的问题。并进而提出结合多种机器学习方法的优点来进行聚类分析的半监督锋电位信号分类框架。在该框架中，SOM、测地距离、仿射传播聚类方法相互依赖、互为补充而成为一个无缝的整体。 处理真实锋电位数据的实验结果表明，本文提出的半监督分类框架无论在处理高信噪比的数据还是低信噪比的数据，均可取得合理的分类结果，而且分类过程受人的先验知识指导，分类后也可受人的监督进行优化。在与传统较为流行的autoclass包的分类结果比较后发现，本框架的分类结果也更为合理和具有可扩展性。 最后根据得到的单细胞放电模式及场电位信号，进行了一些初步的神经放电编码方面的研究，主要是信号的仿真建模与时延预测。文中说明锋电位信号分类工作的完善，对于后续的深入分析与研究有着较大的推动作用，对推动计算神经科学的发展也有着重要的现实价值。