神经元以不同的动作电位编码响应各种外部刺激,并影响神经系统的机能与调控。研究神经系统的编码机制及如何控制编码特性已成为神经科学的研究热点之一。目前,为了更好地获得神经元特性,闭环电生理成为研究神经元和神经系统编码机制的重要方法。神经元及神经元集群中不正常的放电模式是许多精神性疾病的主要病理。深部脑刺激是治疗帕金森、癫痫等疾病的有效方法,但目前大多采用开环刺激,开环刺激不具有普适性,控制效果严重依赖于模型参数,而神经元系统是非线性系统,且参数未知。因此,本文提出迭代学习控制方法实现神经元及神经元网络的闭环控制,本论文的研究内容主要包括以下三个方面：首先,本文首次利用迭代学习控制实现神经元放电模式的闭环控制。以两种可兴奋性不同的神经元模型：Ⅰ类神经元的Hodgkin-Huxley (HH)模型和Ⅱ类神经元的Morris-Lecar (ML)模型为对象实现放电模式的迭代学习闭环控制。考虑外部扰动情况下进行仿真分析,结果证明,在不同神经元可兴奋性及不同期望放电模式下,利用迭代学习控制均能有效实现放电模式的闭环控制。其次,首次利用迭代学习控制实现神经元网络场电位的闭环控制。建立了两种神经元网络模型：离散的映射神经元网络模型和连续的Hindmarsh-Rose (HR)神经元网络模型。对于离散的映射神经元网络模型,利用迭代学习控制实现同步与去同步状态平均场电位之间的转换控制。对于连续的HR神经元网络模型,实现不同重连概率下平均场电位对期望正弦波形的跟踪控制。最后,根据帕金森疾病的致病机理和临床特征,建立皮层—基底节—丘脑的简化模型。针对神经元网络的复杂性和噪声影响,及丘脑中继神经元模型参数未知等研究难点,利用迭代学习控制实现丘脑中继神经元帕金森状态的闭环控制。仿真结果证明迭代学习控制方法可以有效地恢复帕金森状态中丘脑神经元的中继可靠性,从而有效地缓解或治疗帕金森疾病的运动症状。本文的研究为神经元或神经网络闭环电生理的研究提供了思路,本文算法可直接应用于闭环电生理实验或深度脑刺激装置中。