目的：大脑在学习思考时,不同脑区通过神经振荡同步的方式相互连接交流。为了度量这种实时的信息流动,神经信息流(Neural information flow,NIF)分析应运而生。近年来,已有许多算法被用来度量这种实时的交流,以便确定大脑在工作时不同脑区的连接状况。然而不同的度量方法可能会导致不同的结果,有时甚至会产生相反的结果。因此,通过比较不同的计算方法在度量神经信息流时的特点,可以对实践以及结论的确定有一定的指导意义。目前,对于神经信息流的度量,主要有两类方法。一类是线性方法,代表算法是广义一致性算法(general partial directional coherence, gPDC)。另一类是非线性算法,代表算法是排列熵算法(permutation conditional mutual information, PCMI)。本文运用数学模型,通过数值仿真,模拟真实脑电数据,以此比较这两类算法在分析神经信息流时的特点,为后续真实的脑电数据分析提供一定的指导。方法：通过数值仿真,运用神经元群模型(neural mass model, NMM),模拟真实脑电数据。在不同连接强度下,比较算法的灵敏度、度量的误差、以及脑电数据长度对分析的影响。最后通过动物在体实验,获得一组真实脑电数据,验证数值实验得到的一些结论。结果：排列熵的灵敏度要好于广义一致性算法,在较低的连接强度下,排列熵算法的结果更为可靠。因此,排列熵算法适合于度量连接强度较更弱的情况。广义一致性算法的灵敏度是一个二元函数,受到两个方向的共同影响。排列熵的灵敏度是一个一元函数,只会受到所度量方向的影响。因此,排列熵算法更适合度量连接强度的大小。在单向模型,即单向驱动条件下,广义一致性算法在估计真值方面要明显好于排列熵算法。同时,广义一致性算法在体现强度变化方面的灵敏度比排列熵算法更高。在双向模型,即相互驱动条件下,排列熵算法在估计真值方面要好于广义一致方向性算法。两类算法在驱动对称的情况下,都有较好的结果。同样,广义一致性算法在体现强度变化方面也要明显好于排列熵算法。排列熵算法对数据长度的要求较小,而广义一致方向性算法要求更多的数据点以获得稳定的结果。从动物在体实验数据分析中得到的结果表明,广义一致性算法对度量连接强度的变化更为敏感。同时,与广义一致性算法比较,排列熵算法得到稳定的结果需要更少的数据点。结论：广义一致性算法更能表现出神经信息流强度的变化；而排列熵算法更适合估计神经信息流强度本身。