脑机接口通过记录并解码神经活动信号预测动物的运动意图,转换成控制指令从而控制外部设备,是人或动物脑与外部设备之间的直接连接通路,在残疾人辅助、神经疾病治疗、认知研究等领域有重要的社会意义和应用价值。神经解码是脑机接口中的重要部分,对实现脑机接口的实时高效控制至关重要,但是由于生物自身活动和环境中的干扰,以及大脑信息编码的稀疏特性,使得微电极阵列采集的神经元集群信号中包含过多与解码目标无关的噪声,以及大量的信息冗余,使得解码模型的学习复杂度增加,参数估计失效,模型稳定性降低,难以实现脑机接口的实时准确控制。针对这一问题,本文以鸽子弓状皮质尾外侧(nidopallium caudolaterale,NCL)神经元集群信号为对象,研究神经元集群信号的特征提取和解码问题,采用有效的特征提取方法去除集群信号中包含的大量噪声和冗余,并选择最优的分类模型提高运动转向解码的效果。本文首先对鸽子十字迷宫转向过程中的神经元集群信号进行相关性分析,结果表明,由于神经元的同步发放,通道间存在较大的信息冗余,同时有些通道包含大量的无关噪声,因此在神经解码前有必要进行特征的提取。采用偏最小二乘(PLS)提取神经元集群信号特征的结果表明,前三个潜变量即可以将鸽子的三个转向基本区分开,且与主成分分析相比,PLS提取的特征个数更少,包含的有用信息更多,可以作为神经元集群特征提取的有效方法,结合分类模型解码出运动转向信息。对PLS提取的神经元集群信号特征,采用支持向量机(SVM)、K-最近邻(KNN)和线性判别分析(LDA)三种分类模型判别鸽子运动转向,结果表明,线性支持向量机在解码正确率、稳定性和解码效率上均表现最优,采用非线性的支持向量机反而会出现过拟合问题,且优化参数的选择也较为困难,KNN对于小样本的神经数据解码效率较高,但是抗噪性较差,LDA的解码正确率也较高,但在稳定性和解码的效率上仍稍差于线性支持向量机。因此在基于PLS特征的鸽子运动转向集群解码中,最优分类模型为线性SVM。