大脑中的神经元通过动作电位即峰电位进行信息的传递，利用细胞外记录方式对单个神经元发放的动作电位进行检测记录是研究神经系统信息传递的前提。单电极记录的神经信号往往伴随有较高的背景噪声，而且单个电极往往会同时记录到周围多个神经元的发放，每个神经元发放出的峰电位形状各不相同，为了研究单个神经元的峰电位发放规律，首先需要从记录到的累加了多个神经元发放和背景噪声的信号中提取出若干个独立的神经元发放，即峰电位检测与分类。　　 传统的峰电位检测与分类是在实验后利用软件离线完成的，这种处理方式较为准确，可操作性也较高。但在某些生理实验和实际应用中，电极采集的数据要求能够利用无线来对其进行传输。此时，大量数据的传输便成为了实验过程中很大的难题。利用硬件实现在线峰电位检测与分类是一个解决办法，仅对采集信号中有效峰电位的类别和发放时间进行传输将大大减小无线传输面临的压力。在利用硬件实现之前，我们首先需要发展适合移植于硬件的峰电位在线检测与分类算法。　　 介于在线和离线两种处理方式之间，一种折衷的方案是仅对信号进行在线的峰电位检测，然后将检测到的峰电位和发放时间传送至计算机存储起来，待实验完成后再作离线的峰电位分类。如此，既能保证峰电位分类的准确率，又可降低实验过程中需要传输的数据量。　　 本文提出了一种未来能够移植于硬件，实现在线峰电位检测与分类的算法，创新性地结合了主成分分析法与Fisher判别分析法用以对峰电位信号进行分类。利用仿真信号对算法进行测试发现，该算法较其它几种对照方法在分类效果和算法复杂度上均有显著的优势。　　 此外，本文利用一个DSP的小系统来实现对峰电位进行在线检测的工作。经测试，该系统确能实时在线地完成检测，并且具有很好的检测效果。