由于植入式多电极阵列技术的快速发展，使得大量神经元动作电位(spike)序列的获取成为可能。但多电极阵列某个通道获取的信号往往是电极邻近区域多个神经元的spike叠加而成，因此如何对多电极阵列采集到的神经电信号进行模式分类，以获取表征神经信息编码的spike序列，成为后续神经编码机制研究的前提和基础。本文首先从spike信号波形的时频特性出发，分析小波基函数对spike分类性能的影响，然后采用多小波融合特征方法对spike波形进行特征提取，并结合KS检验方法实现高维特征空间的降维，实现非同源spike的模式分类。然后从spike波形非平稳和非线性特点出发，根据信号梯度排列组合熵的方法提取spike波形的波动特征，分析非同源spike波形的信息量和复杂度特征，并结合寻谷聚类算法实现有效特征向量的分类。实验结果表明，以上两种方法从spike信号的特性出发，在spike信号的分类中具有一定的有效性。在神经元spike模式分类基础上，对神经元频率编码进行研究，并根据Hodgkin-Huxley(H-H)模型增加反馈延迟机制，分析输入输出频率的关系。首先在单个H-H模型上分析神经元的放电机制，再以双层H-H模型为例探讨网络结构的影响。本文的主要研究工作及成果如下：(1)简述了神经元spike模式分类及神经信息编码的意义和前景，对现有的spike分类方法及信息编码机制进行分析，并对各种方法的有效性及局限性进行总结。(2)考虑到传统小波变换方法在基函数选择时的主观性及动作电位特性描述时的片面性，本文采用多小波特征融合的神经元动作电位信号分析方法，充分利用各类小波基的互补性，在时频域上进行spike特征的全面刻画。实验结果表明，本文提出的多小波融合特征方法具有较好的分类效果，例如由sym5和bior2.4两类小波基的融合特征错分率基本分布在0.65%~1.17%。因此多小波融合特征方法能加强spike特征提取时的客观性，并且具有更好的可分性。(3)根据spike波形幅值变化的非线性特性，提出采用信号梯度排列组合熵方法提取spike信号特征，以表征不同spike波形的波动信息，并对有效三维空间特征向量进行寻谷聚类实现非同源spike特征的分类。实验结果表明，本文提取的信号梯度排列组合熵特征结合寻谷聚类的方法，错分率在0.78%~1.34%，与排列组合熵相比得到的特征内方差较小、类间方差较大且稳定。因此信号梯度排列组合熵实现spike模式分类具有一定的有效性，并且相对于排列组合熵分类方法有一定的提升。(4)根据单个Hodgkin-Huxley神经元模型，推广出存在反馈延迟机制的模型，并构建双层H-H模型，分析不同的输入刺激频率对spike输出频率的影响。在反馈机制时，改变反馈强度和延迟时间，分析不同的反馈参数对spike发放频率稳定性的影响。在单输入输出基础上，分析特定输入刺激对spike输出的影响；并以双输入单输出仿真数据为例，说明双输入刺激之间的相互作用对spike输出频率的影响。通过实验分析可见，高频刺激输入对spike的输出起主导作用；同时在一定频率范围内，在高频刺激输入下加入一定的低频刺激，对spike发放具有一定的促进作用。从而说明频率编码机制可能是生物神经编码的一种可行性方法，而具有低频特性的背景噪声有利于这种机制的实现。