在真实的神经系统当中,信息的传递与加工都是通过神经元的放电序列来实现的,因此神经放电活动与一些感知学习机制之间的相互作用便成为计算神经科学研究中的一个热点。可否以及如何在一个模型当中将这两种活动整合到一起,从而以神经元之间的局部相互作用来实现学习或其他一些高级认知功能,是本文研究的主要问题。本文首先从还原论的角度出发,研究了影响神经元活动的同步机制的因素,从而试图澄清神经编码的策略。这其中又首先研究了各类同步振荡活动的一般机理。本文分类阐述了几类同步振荡的行为及其动力力学,采用了解析、相平面法以及数值仿真等几种方法阐述了其中的原理,考察了如神经元的相位响应曲线(PRC)的形状、突触动力学参数、网络的拓扑结构等多种不同的模型属性对网络同步的影响,以确定影响网络同步性的主要因素。本文着重分析了在兴奋-抑制网络中的Gamma同步机制。兴奋-抑制网络(由兴奋性神经元与抑制性神经元组成)同步振荡的稳定性已经在许多研究中被探索。在真实的神经系统当中,网络接受的输入具有很高的异质性(Heterogeneity)。但是,对网络如何容忍高强度的异质性从而实现同步振荡活动的鲁棒性仍然缺乏研究。本文仔细考察了异质E/I网络中的同步鲁棒性。我们发现,网络的频率与同步性都高度依赖于网络模型中参数的设置。一个短但是不可缺少的延迟、足够快的抑制(抑制的衰减时间常数短)、以及足够强的突触连接对网络产生健壮的Gamma频率同步活动非常重要。当这几类条件都达到时,网络可以抵抗高达30%的异质性,这个强度已接近于真实神经系统中所记录到的异质性程度。最后,本文构建了以E/I网络为基础的前馈网络,以研究E/I网络鲁棒同步在信息处理中的作用。该网络为具有双层结构的前馈网络,同时每层网络本身是一个以E/I网络为基础的递归网络。我们选择以一致性检测编码为主要神经编码策略,利用与放电时间依赖可塑性(STDP)作为突触权值调整规则进行学习。同经典的稀疏编码原理一样,通过输入自然图像刺激,网络学习得到的类似Gabor小波基的感受野,表明此算法实现了基于放电神经元的稀疏编码。