大脑是生物体内结构和功能最复杂的组织,其中包含上千亿个神经细胞(神经元)。人类脑计划(Human Brain Project, HBP)的目的是要对全世界的神经信息学数据库建立共同的标准,多学科整合分析大量数据,加速人类对脑的认识。为了利用神经信息学数据库,设计神经元形态识别与分类的方法,我们需要对样品神经元数据进行深入地分析,找到各类神经元的有效特征,将待判别的神经元与样品神经元进行比较,然后判断出待判定神经元属于哪一类。本文基于这种思想,利用模板匹配法和支持向量机法,建立神经元形态识别的模型,对神经元进行分类。模板匹配法是模式识别中最简单的方法,当给定一定量的样品时,该方法会有很好的判别效果。支持向量机(SVM)是二十世纪九十年代发展起来的统计学习理论的核心内容,在模式识别中有广泛地应用。本文利用模板匹配法和支持向量机法进行神经元的形态学分类,通过不同的分类方法的比较,可以看出支持向量机法具有良好的分类能力。在研究中我们还发现：利用量纲不同的特征向量来设计分类器,有时效果并不理想,而为了正确分类,就有必要对数据进行预处理。研究表明：数据的预处理对神经元的空间几何特征的分类起到十分关键的作用。