锋电位分类（spike sorting）是生物神经科学领域研究的热点之一。神经系统依靠锋电位在神经元间的扩散实现信息传递，因而锋电位是研究神经系统工作机制的重要依据。然而，由于生物实验中采集的锋电位数据包含着大量背景噪声，并且目前锋电位信号的采集主要使用多电极阵列采集系统，一组采集数据中可能包含来自多个神经元的锋电位信号，因此，采集到的数据必须经过处理才能用于生物神经学研究。数据的处理包括两个关键步骤：首先将锋电位从噪声中检测并提取出来，然后按照发放神经元的不同对锋电位进行分类，上述数据处理过程在生物学上被称为“锋电位分类”。本文通过对神经元锋电位分类生物背景的分析，对锋电位分类中的锋电位检测、叠加锋电位的分离和分类等问题进行了研究。主要研究内容包括：　　 ⑴传统的锋电位检测方法包括阈值法和窗口法，其中阈值法具有较小的时间代价，但是无法处理基线漂移波形；窗口法可以处理漂移，但是时间代价较大。针对上述问题，本文提出了一种新的锋电位检测方法，它有效地结合了阈值法和窗口法的优点。实验表明，与传统方法相比，该方法具有较高的检测准确率和更低的时间代价。　　 ⑵叠加波形的分离是锋电位分类的难点。本文提出了一种基于径向基函数（RBF）的分类网络，能同时实现叠加波的分离和单波的分类。该方法使用RBF网络作为锋电位的分类方法，根据锋电位波形的特点，对径向基函数进行了调整，将高斯函数变换为分段加权的形式，放大了锋电位波峰附近的点对分类结果的影响。实验表明，与采用高斯函数的RBF网络相比，该方法不仅有效地解决了锋电位分类中完全叠加波形的分离问题，而且具有更高的分类准确率。同时，为了降低RBF网络构建的时间代价，本文利用RBF网络的对称性，通过改进RBF网络的构造算法，减小了网络构造的计算量。　　 ⑶在实际应用中，RBF网络的基函数中心和宽度因数等参数一般是通过对锋电位数据进行聚类分析获得的。本文最后对锋电位数据的聚类问题进行了探讨，研究了适用于锋电位数据的聚类方法的选择及相关问题。分析和实验表明，对锋电位数据，层次聚类比基于原型的聚类方法更易得到准确的结果；主成分分析方法具有较明显的降噪作用和满意的降维效果。