神经系统信息编码机制是揭示脑功能的关键环节,神经元模型分析是研究神经信息编码的重要方法。然而现有模型的参数和结构并不能描述所有电生理实验获得的神经元放电行为,根据实验或模型数据修正模型参数使其能够呈现期望放电特性成为了神经元建模分析研究的重点之一。因此,本文提出了根据神经元放电特征实现神经元模型参数辨识的方法。首先依据神经元的放电轨迹,利用Back Propagation(BP)神经网络辨识参数。(1)利用神经元模型的输入输出数据进行BP神经网络学习,令网络呈现该模型输入输出特性,并能准确预测放电轨迹。(2)采用BP神经网络对真实神经元电生理实验数据进行辨识,使网络学习神经元输入输出特性,以一定精度预测放电轨迹。其次,提出利用粒子优化算法(PSO)实现丘脑神经元帕金森(PD)放电特性相关参数辨识。(1)提出TC模型的中继可靠性决定PD状态,因为TC模型的中继可靠性主要与大脑基底神经节(BG)到TC的抑制性突触电流和钙离子电导相关,因此本文基于TC模型的中继可靠性等特征,对这两个PD相关参数进行辨识。(2)基于PSO算法,实现基于TC模型PD放电特征的相关参数估计,使辨识出的模型具有相同PD放电特性,能有效预测放电特征。(3)任意给定期望中继可靠性数值,利用PSO算法进行模型参数估计,使辨识出的模型产生了期望的放电特征。最后,依据神经元的自适应特性利用PSO算法实现了神经元模型参数辨识。(1)首先从神经元模型数据中提取自适应相关的放电特征进行参数估计,令辨识出的模型能有效预测自适应放电,证明了辨识方法在理想情况下的有效性。(2)实现了对实验数据自适应性相关的放电特征的参数辨识,本文选择了一个自适应特性与实验数据最为接近的神经元模型,估计其参数,使辨识出的模型能有效预测波动输入下的自适应放电。本文基于神经元放电特征从系统辨识的角度对神经元建模分析进行了研究,为神经信号的进一步分析与控制提供了支持,并为神经信号编码机制的探索提供了坚实的基础。