神经系统通过神经元发放锋电位来发布和传递信息，因而锋电位是研究神经系统工作机制的重要依据。目前，锋电位信号的采集通常利用多电极采集阵列进行胞外记录，原始采集信号中包含大量的噪声和来自多个神经元的锋电位发放信号，因此需要将锋电位从原始采集信号中检测、提取出来，并根据其形态特征判断其产生于哪类神经元，这一过程称为锋电位分类（Spike Sorting）。锋电位分类的两个关键步骤是锋电位检测（SpikeDetection）和锋电位识别（Spike Classification）。由于采集电极周围多个神经元同步发放而产生的叠加锋电位（Overlapped Spikes）增加了锋电位分类的难度，因此，提高叠加锋电位检测及识别的准确性，对神经元集群编码的研究具有重要意义。本文在对锋电位特征分析的基础上，重点研究了叠加锋电位的产生原因及波形特点，并在此基础上提出了适用于叠加锋电位的检测方法、特征表示方法和分类策略。针对窗口检测法容易忽略窗口内及窗口间的叠加锋电位的问题，本文提出了一种新的锋电位检测方法。该方法在改进窗口法的基础上，结合了阈值法与能量法对锋电位进行检测。实验证明该方法有较强的鲁棒性，不但适用于低信噪比、基线漂移等情况，而且对于锋电位大量叠加的数据，此方法的漏报率明显低于其他传统方法。利用支持向量机在解决非线性和小样本问题方面的优势，本文将支持向量机应用于锋电位的识别与分类，并探讨了不同核函数及噪声水平等因素对支持向量机分类效果的影响。实验表明，支持向量机算法对叠加锋电位及噪声水平具有一定的有效性和稳定性，并且发现了支持向量机对高相似度样本分类精度下降，且对包含叠加训练样本的训练集存在过度训练的问题。针对支持向量机对高度相似锋电位样本分类精度下降的问题，本文提出了基于窗口斜率描述法的特征表示方法。该方法基于窗口的概念对锋电位波形进行划分，利用窗口内斜率作为新样本属性向量，实现对原始样本的降维和特征提取。实验表明，与主成分分析方法相比，该方法降低了不同类型样本之间的相似度，特别是形态高度相似锋电位样本的相似度，有利于提高分类的准确度。针对支持向量机分类样本分布重叠严重的数据时容易产生过度训练，而导致分类精度下降的问题，本文提出了基于支持向量机的叠加锋电位分类策略。该策略首先利用K均值聚类对训练集进行优化，之后分别用欧氏距离和支持向量机对测试样本进行分类。实验表明，与直接使用支持向量机进行分类相比，此策略具有更高的分类准确性和更小的时间代价。