生物神经系统是结构极其复杂的非线性系统。近年来,细胞外放电采集技术向高精度、多通道、高采样率不断发展,为重建潜在神经回路的神经解码研究提供了可能性。基于神经元的放电记录,有多种方法可以用于估算神经元之间的耦合关系,从而构建完整的神经信息通路。然而,神经元放电数据量通常较大,不同种类神经元的模型结构和参数也有区别,放电活性也不尽相同,这使得神经元耦合强度估计算法存在计算资源消耗大、机理可解释性不强、调参过程复杂、推算准确度低等不足。针对上述难点,本研究在底层提出了一种基于卷积神经网络的耦合强度估算模型,在上层提出了一种基于放电距离的神经模块识别算法,并在仿真数据和实验数据上验证了算法模型的有效性。本文主要研究工作和成果包括:1)发掘神经元放电记录的内在特征,提出了基于移位修正互相关图的卷积神经网络估算模型,使用移位修正算法消除噪声带来的误差,并使用卷积神经网络进行估算。卷积神经网络给耦合估算引入了人为的生理约束,增强了模型的可解释性,简化了调参过程,且通过改进输出层进一步修正了估算误差。在仿真数据上的实验结果表明本文提出的模型在耦合估算误差和计算资源占用率上的表现均有提升。2)为了进一步提升神经回路推算的效率,以减少耦合估算数量为出发点提出了基于放电距离和空间距离的谱聚类神经模块识别与分区算法,在分区内进行耦合估算,分区外进行中转节点间耦合估算,引入的放电距离能够赋予算法时间尺度自适应特性。在仿真数据上的实验表明其分区结果与结构已知时的拓扑分区算法十分接近,在结合了耦合强度推算后,神经元网络整体神经回路推算效率得到明显提升。3)应用提出的耦合强度估算模型对鸡胚胎脑神经组织的神经回路进行了推算和验证。本研究借助微阵列电极装置培养鸡胚胎脑神经组织,采集神经元的膜电位动态,得到神经元放电数据。实验表明鸡胚胎脑神经回路具有短时稳定性和长时动态性,神经突触连接具有稳定且缓慢变化的特点,神经元之间的耦合具有空间上的邻近特性,距离较近的神经元更容易生长出耦合关系。