鸟类飞行状态下的神经信息解码研究有助于理解鸟类的飞行控制模式以及空间导航机制。但是鸟类在户外飞行时,其活动空间广,神经信号记录困难,且所采集的信号易受到噪声的干扰,这导致目前研究极少涉及鸟类飞行状态下的神经信息解码。针对以上问题,本文同步采集了鸽子户外飞行时的多通道神经信号和GPS数据,基于神经信号的频域分析与脑功能网络分析方法探究了与典型飞行状态相关的特征频带,有效提取了可分特征,并结合支持向量机算法解码了鸽子的典型飞行状态。本文完成的主要工作和成果概况如下:（1）开展了鸽子户外飞行实验,同步采集了鸽子飞行状态下的中脑内侧网状结构脑区的神经信号与GPS数据。并利用小波分析解决了运动状态下神经信号的基线漂移问题,采用基于先验的变分模态分解（Variational Mode Decomposition,VMD）方法有效去除了鸽子飞行状态下局部场电位信号（Local Field Potential,LFP）的振翅噪声;最后基于GPS数据定义了鸽子加速起飞、匀速飞行以及减速降落三个典型的飞行状态。（2）从脑功能网络角度探究了与鸽子典型飞行状态相关的神经表征规律。首先基于鸽子不同运动状态下的LFP信号的功率谱估计分析确定了 LFP信号的high-gamma子带（80-150Hz）为鸽子典型飞行运动相关的特征频带;然后基于通道间的相干性分别构建了不同运动状态下的脑功能网络并进行了分析。结果表明,相较于匀速飞行,鸽子飞行状态改变时功能网络的连接更加紧密,且相对于减速降落,鸽子加速起飞时,功能网络的全局效率与聚类系数更大。（3）完成了基于特定频带不同神经信息特征的典型飞行状态的解码。首先基于鸽子不同运动状态下神经信号分析的结果,分别提取了 high-gamma子带的功能网络特征和功率特征,并利用concat特征融合方法将这两种特征进行融合;然后基于支持向量机对鸽子典型飞行状态的解码结果表明,所提取的特征能够有效表征鸽子的不同运动状态,且基于融合功能网络特征和功率特征的解码正确率最高,平均达到了 83.6%。