植入式脑-机接口(Invasive Brain-Machine Interface)通过记录大脑皮层神经活动信号,结合信号处理技术,获得神经活动信号与实际运动及意识之间的映射关系,在大脑与外界之间建立信息交流与控制通道。锋电位信号的检测与分类,神经信号解码是植入式脑-机接口技术中重要而又极富挑战的关键技术。目前的植入式脑-机接口系统在多通道锋电位信号检测和分类的并行实时处理上存在困难。在基于神经集群编码的神经解码算法处理中,多通道锋电位联合解码产生的巨大信息量使得实时计算存在瓶颈,制约着植入式脑-机接口的发展。因此,对于如何完成植入式脑-机接口锋电位处理算法的实时并行计算这个问题进行深入的研究,具有重要的理论意义和实用价值。本文对现有的基于锋电位的植入式脑-机接口技术进行了深入的研究,针对锋电位信号处理算法实时计算存在瓶颈的问题,提出了植入式脑-机接口锋电位实时处理算法。本文在以下几个方面进行了探索性研究：对锋电位检测算法进行了研究,针对神经元记录设备多通道数据并行记录的特点,提出了一种基于提升小波的锋电位检测算法。该算法首先利用小波分析的多分辨率特性完成神经元序列的去噪和信号“漂移”的消除,提高信号质量,然后再采用幅值阈值法实现锋电位信号的检测。为了实现锋电位检测算法的实时计算,采用基于硬件的方法完成了大鼠压杆行为的锋电位实时检测,并以模块化的设计方法完成了多通道信号的并行检测。对锋电位分类算法进行了研究,提出了一种基于概率神经网络的锋电位分类算法。该算法首先通过训练数据的载入快速实现概率神经网络的学习与构建,然后采用该网络实现大鼠压杆行为的锋电位分类。针对概率神经网络的内在并行性,采用基于硬件的方法完成了概率神经网络的实时计算,并通过查找表和坐标旋转数字计算相结合的方法提高了概率神经网络激活函数的计算精度,提升了算法的计算性能。对基于锋电位的神经解码算法进行了研究,针对神经解码中数据规模巨大,难以实现大鼠压杆行为神经解码的高通量数据实时计算问题,提出了一种基于硬件的神经解码实时计算方法。在基于硬件的卡尔曼滤波实时算法中,采用了一种新型的具有并行计算能力的处理单元阵,通过不同的配置可以实现所需的矩阵计算功能,在加速计算的同时减少资源使用,实现了信号的实时解析；通过复用概率神经网络的硬件算法结构,完成了广义回归神经网络算法的实时计算。针对锋电位信号多通道并行处理以及因信息量大而无法实时解码的问题,以本文提出的基于提升小波的锋电位检测算法,基于概率神经网络的锋电位分类算法和基于硬件的神经解码算法为基础构建了锋电位信号实时处理的植入式脑-机接口系统,建立了带有锋电位信号处理算法库的锋电位信号实时处理系统原型。