理解大脑的结构与功能,是21世纪最具挑战性的前沿科学问题,脑科学研究在世界范围得到了广泛关注和大量投入。脑-机接口(Brain-Machine Interface,BMI)通过在大脑与外部设备之间建立直接的通路,可以在不依赖于脊髓/外周围神经和肌肉系统的情况下实现大脑与外界的交互。传统的开环脑-机接口在分析短暂的神经活动事件方面有所局限,而闭环脑-机接口则可以提供因果性的证据。通过实时解码读取或检测到神经活动事件的发生是形成闭环反馈的前提,现代多电极记录技术的进步已经实现了多脑区、上千路神经信号通道的同时采集,扩大可以实时解码分析的数据规模和提高神经信号解码分析的速度已经成为了神经科学研究的新兴主题。许多闭环反馈实验要求极低的检测延时,典型的场景包括依赖对神经活动中突变进行检测的应用。针对大量数据采集通道下难以进行实时解码的问题,本文提出了一种利用GPU的并行处理能力进行加速的算法,通过两个内核算法的设计和片上存储的优化,显著提高了计算速度和可以实时计算的数据规模。利用加速算法对仿真数据和大鼠海马体、皮层及丘脑实验数据进行位置编码的解码,结果显示相对于CPU上的解码算法,本文中的算法实现了 20-50倍的加速效果。针对海马体回放事件的在线分析鉴别问题,基于并行算法的实时解码能力,本文通过有效的缓存和随机索引策略,对利用大量随机乱序数据的统计显著性分析方法进行了优化,使用1000个乱序样本时该方法的计算延迟在15毫秒以内,实现了对海马体回放事件实的时在线显著性评价。针对神经活动中的突变检测问题,本文在泊松线性动态系统模型的基础上引入了非高斯动态噪声来建模隐变量空间的随机跳变过程。为了在非高斯噪声和非高斯似然函数的条件下有效估计隐变量的后验概率,本文提出了用于突变检测问题的粒子滤波和平滑算法,并采用GPU加速了计算。对仿真数据和实验记录的急性疼痛神经锋电位数据的分析表明了这一算法的有效性。在突变检测算法的基础上,本文还设计并实现了一个基于该算法的在线脑-机接口系统,该系统采用多个线程管理采集、训练、解码、显示等任务,在减少系统延迟的同时实现了灵活的配置和管理。