神经系统具有复杂的非线性动力学行为,应用神经元模型能定量的描述神经系统的动力学特性,有助于揭示生理机制;医学上,通过对人体施加外加电场刺激来治疗癫痫、帕金森等疾病的研究日益增多。因此有必要以神经元模型为研究对象,探寻通过改变外加刺激来控制神经元电生理参数变化。获得精确神经元数学模型是上述研究的关键。而通过对测量得到的神经元膜电压序列分析是估计电生理参数和变量,进而得到神经元模型的有效方法之一。本文首先应用混沌同步及自适应控制理论,从动作电位序列估计得到FitzHugh-Nagumo (FHN)神经元模型的参数。此方法能有效的跟踪系统参数的波动,并且对噪声有较强的鲁棒性。然后应用无迹卡尔曼滤波(Unscented Kalman Filter, UKF)的方法,从被强噪声污染的测量动作电位序列中估计FHN模型的全部状态变量和参数。然后将上述方法应用到Hindmarsh-Rose (HR)、Morris-Lecar (ML)和Hodgkin-Huxley (HH)等神经元模型中,证明UKF对强非线性模型的普适性。应用联合混沌同步和UKF方法,先应用UKF对被噪声污染的动作电位滤波并估计出所有状态变量,再用混沌同步方法估计模型参数,仿真结果证明联合方法估计效果优于单一算法。估计并控制HH模型中有重要生理意义的变量。首先应用UKF估计HH神经元模型中的不可测变量。然后将UKF与原模型组成反馈系统,通过调节外加输入刺激来控制系统的模型参数值,使神经元模型具有不同的放电模式,实现神经元放电的可控性,这也是治疗神经系统疾病的本质所在。本文的研究结果为治疗医学顽症(例如,癫痫和帕金森)和致病机理的研究提供基础;为得到针刺的电信息传导与作用规律提供一条思路。