细胞功能上表现出来的千差万别,归根结底可能是由于它们的形态以及细胞膜上离子通道的性质和分布不同而导致的。以往成果中的神经计算科学分析方法在理论基础和实验条件方面不是很成熟,无法满足对生物神经系统复杂现象的研究。因此,本文借助于神经元细胞之间处理信息的模式,通过模仿神经元信息处理机制,以及神经元网络行为特征,研究其非线性动力学特性。在网络的应用模块中,提出新的学习规则,改进神经元间连接方式及不同模块层次之间的连接方式,进行数据处理和传递,构建相关的神经网络,研究该网络的信号传递及数据处理功能,这对揭示大脑神经元的信号传递及信息处理有重要意义。神经元及人工神经网络相关研究发展至今,比以往历史上任何一个时期都更迫切的需要对神经元信息处理本质进行深刻再认识并将其合理应用。本课题的提出也正是基于对神经元信息处理本质的深度剖析及其相关应用,主要贡献如下:首先研究了常见的离子通道神经元模型,通过对实验数据以及对模型的仿真指出其具备的内在非线性动力学。在现有离子通道模型的基础上,研究模型添加噪声情况下不同放电模式的非线性动力学特征,比如随机性、确定性等,并提出了新的放电特性,丰富了放电节律,拓展了神经放电节律在信息编码中的应用机制。另外,在基于STDP学习规则的基础上,考虑了神经元发放脉冲的前后关系,分析不同的神经元信息处理能力,联系Winner-Take-All规则以及限制权值的方法提出了一种新的基于STDP学习规则的突触连接权值调整方法来进行学习,并研究了在新学习规则前提下,学习前后脉冲发放情况的变化以及鲁棒性。由于同一种算法在不同模型上效率不同,因此这一部分也结合了不同的神经元模型,研究神经元模型对脉冲发放、信息传递的影响。最后,在离子通道模型添加时间特性以及前一部分的学习规则基础上,提出一种基于传统脉冲神经网络的网络结构改进方式,模块主要包括整个网络的输入模块、学习模块、输出模块,还有内部编码方式、连接结构等,并应用到不同的数据集中验证其有效性。