细胞外多电极记录中,每个电极记录的电信号表示该电极附近多个神经元的电活动。对电极记录的多个神经元锋电位的分类处理是进行锋电位时间序列分析之前所要进行的第一步。分类所面临的两大问题是细胞外多电极记录数据往往包含高度相关的噪声,且锋电位波形重叠情况也时有发生。人工神经网络日渐成为一种重要的分类工具,其最大益处就在于它善于对环境的自适应学习,并且具有并行处理泛化能力。本文提出的径向基函数神经网络,其隐层基函数是一种局域作用函数,当输入信号靠近基函数的中心范围时,隐层节点将产生较大的输出,对于远离隐层节点中心的输入样本,网络输出趋于零。因此,径向基函数网络用于分类时,每一类的判决区域也是局域性的,具有优越的局部逼近能力。本文首先用改进的峰峰值检测法对原始信号进行提取,获得锋电位信号样本。然后用主成分分类对这些锋电位进行预分类,选取每类中方差较小的典型锋电位集合作为径向基网络的训练样本,让神经网络进行自适应学习。最后用训练好的神经网络锋电位信号进行分类。仿真结果表明,在信噪比降低和锋电位发放率增加的两种情况下,径向基函数分类比主成分聚类和形状聚类的错误率要小。对多电极细胞外记录的海马神经元细胞锋电位用上述三种方法分类,统计分类前后锋电位发放时间间隔,也证实了在对真实原始信号分类时径向基函数网络比主成分聚类和形状聚类的效果要优越。