近年来,作为人工智能的核心,人工神经网络早已被广泛应用于机器翻译、信息处理、航天应用等领域,其重要性也日益凸显。目前广泛应用的是第二代神经网络——基于修正线性单元（Rectified Linear Unit,Re LU）的深度学习网络（Deep Learning Network,DLN）。由于DLN存在能耗、记忆等方面的问题,基于脉冲信号处理的第三代脉冲神经网络（Spiking Neural Network,SNN）受到了更多的关注,该神经网络更接近人脑神经元响应,并且具有能耗低、运算速度快的优点。然而,电子器件即将面临摩尔定律的限制,以及信息传输与信息计算平台不统一等问题,使得研究新型的第三代脉冲神经网络具有重要意义。光子元器件相比于电子元器件,具有高速度、低能耗、大带宽等优点。因此,近年来,基于半导体光放大器、半导体激光器等光子器件的类脑神经元以及类脑神经网络的研究已经开始报道。在众多光子器件结构中,光反馈结构具有结构简单、易于集成、能耗低、能量效率高等特点,且其输出的低频振荡（Low Frequency Fluctuations,LFF）波形与人脑神经元的输出极为相似,是一种模拟类脑神经元的理想光学器件。近年来,基于光子元器件的类脑神经元开始向多器件集成的光子类脑神经网络发展。因此,研究基于光反馈的光子类脑神经元及其系统与网络具有重要的学术和应用意义。本文理论研究了光反馈半导体激光器神经元在注入外部信号下的动力学特性,讨论了不同注入信号对脉冲模式的影响,以及光反馈半导体激光器神经元对信息的编码、传输。本文主要工作如下:（1）研究了生物神经元、人工神经元模型以及光子神经元模型,并比较了三者之间的对应关系;同时,阐述了一种非线性波形的分析方法——顺序模式分析法,并讨论了该方法在激光器输出的脉冲波形中的应用。（2）研究了基于光反馈半导体激光器的光子类脑神经元,阐述了该神经元的结构,并对该系统的动态特性进行研究,分析了系统输出波形的平均脉冲间隔、平均脉冲速率、单词概率、信息熵及编码特性。结果表明,基于光反馈半导体激光器神经元的输出波形可以用来模拟神经元的脉冲波形,且在适当的参数范围内该系统能够编码信息。（3）为进一步研究多个光子神经元集成形成的神经网络,本论文研究了基于光反馈-光注入级联半导体激光器的光子类脑神经元的传输特性,详细介绍了该系统中低频振荡信息的传输特性,并分析了参数匹配与失配状态时系统输出波形的相关性。结果表明,级联光反馈半导体激光器系统在参数合适的情况下,能够准确的将驱动神经元的信息传输到响应神经元。