神经元在外部刺激下的输出信号对研究大脑功能有重要作用。传统的时间序列分析方法已经提供了丰富的具有启发性的结果。然而,神经元输出信号中的模式及其之间的相关性在统计平均的过程中被掩盖了。因此探究序列中的模式信息以及模式之间的关系仍是一个待突破的瓶颈。随着复杂网络理论的兴起,将时间序列映射为网络的思想受到各个领域的广泛关注,为了能够提取复杂系统中的动态行为和时间序列中的模式信息,前人提出一种基于图的时间序列分析方法。首先将时间序列分割成连续的序列片段,并采用可见图算法将序列片段映射为小图,其次顺次连接不同的小图构建状态转移网络,从而达到提取局部模式以及模式之间关系的目的。在本文中,将引入基于图的时间序列分析方法对Hodgkin-Huxley神经元输出序列进行研究,并使用四阶龙格-库塔法解析该模型,在解析时输入周期为5至60ms（间隔0.1ms）的外部刺激。每输入一个特定周期的外部刺激,都会对应得出一个Hodgkin-Huxley神经元放电间隔序列,并将该序列作为本论文的研究数据。利用可见图算法构建状态转移网络,通过研究网络中的节点总数,转移概率,连边活跃度和社区性质等方面进一步探究序列中蕴含的动力学特征。首先,探究激发状态下Hodgkin-Huxley神经元对输入不同周期的外部刺激的响应情况。结果表明,当外部刺激的周期非常接近神经元固有周期的整数倍时,状态转移网络结构仅由主干构成,其他连边消失。主干的大小（节点的数量）等于这个倍数。在每两个连续整数倍数之间的刺激区域内,状态转移网络的结构是稳定的,不同的刺激区域之间,主干或细节结构发生了显著的改变。这种变化主要是由12条连边引起的。其次,探究静息状态下Hodgkin-Huxley神经元对输入不同周期的外部刺激信号的响应,其响应情况与激发状态时显著不同。结果表明,当输入的外部刺激的周期超过11.5ms时,神经元的放电间隔序列不再发生变化,即由该序列构建的状态转移网络结构不再变化,网络结构恒为8→8。最后,本文依据Hodgkin-Huxley神经元对外部刺激响应的动态特性做出了简要总结和讨论,即状态转移网络可以展示神经元输出时间序列中的互相关结构,这将为研究记忆神经机制提供有益的启示。