脑机接口技术在脑和计算机之间建立不依赖于常规大脑信息输出通路（外周神经和肌肉组织）的直接信息交流通道。随着神经集群信号采集方法的进步，基于脑神经元锋电位脉冲序列的脑机接口技术成为研究的热点。实现该技术的关键在于如何准确地从神经信号中提取出神经元锋电位序列，以及如何建立有效的解码算法从神经元锋电位序列中解析出运动信息。因此本文以大鼠为实验对象，深入研究了运动皮层神经元锋电位序列的提取方法，构建了基于运动皮层神经元锋电位序列的解码方法，成功实现了对大鼠前肢运动方向和运动轨迹的神经解码。本文主要研究内容包括：　　 本研究首先研究了基于时域、频域能量算子的神经元锋电位检测方法，并通过加噪的模拟信号来评价该方法的效果。与传统的阈值方法相比，该方法在高噪声环境下具有较好的检测效果。同时本研究提出了基于主成分分析与近似熵结合的锋电位分类算法，实现了不同神经元锋电位序列的较快速、准确分类。　　 然后，本文运用Fisher线性判别方法，建立了运动皮层神经元锋电位序列与大鼠前肢运动方向信息之间的映射模型，准确解码出了前肢不同的运动方向。　　 本研究还建立了基于概率神经网络的解码方法，实现非线性、动态的神经解码。相比传统的解码方法，该方法无需进行训练，提高了解码效率。本研究还建立了改进的概率神经网络解码方法，将上一时刻预测出的压力值作为解码模型的一个输入，有效地抑制了解码过程中的“跳变”问题，进一步提高了解码的准确性。基于该方法本研究构建了大鼠前肢运动轨迹的在线神经解码模型，并成功训练大鼠通过神经信号直接控制给水装置，达到与前肢压杆取水同样的效果。　　 另外，本研究提出了两层神经解码策略，并由核隶属度与多项式拟合两种最简单的方法来实施该解码策略，有效地降低了解码过程的计算消耗，成功抑制了实验中遇到的非压杆状态时的干扰，提高了压杆状态时的压力拟合相关性，而且该解码策略能够同时应用于解码离散和连续运动。此外，本研究还提出了基于精细时移的神经解码策略，将不同时刻的神经元发放率用于预测同一时刻的压力值，这样使各个神经元对于压力的调制能力都达到最大化，进一步改进了解码模型的预测效果和模型的效率。　　 综上所述，本研究通过采集大脑运动皮层的神经元锋电位序列进行运动信息的解码，有效地解决了基于头皮脑电信号的脑机接口的效果受限于信息量、时空分辨率的问题，有助于更深入地了解大脑的信息编码和运动控制机制，使实验对象通过神经信号完成对外部设备更加复杂的控制。此外本文提出了基于概率神经网络的解码算法，提高了解码的准确度，并实现了对外部设备的实时控制。本研究还构建了两层解码策略，可实现以较低的计算消耗获得较高的解码效果。