锋电位分类是进行大脑信息处理机制研究的基本步骤之一。针对锋电位信号的复杂性和非平稳性,从统计聚类的角度出发,采用高斯混合模型描述锋电位信号的概率密度函数,提出了一种新的基于波形变化率特征和高斯混合模型聚类的锋电位分类方法。首先计算锋电位的波形变化率,然后利用最大差异方法获得锋电位波形的低维特征,最后采用高斯混合模型算法对特征进行聚类,实现锋电位分类。采用开放的仿真数据分析了该算法的分类精度和可行性,然后分别利用来自5只大鼠和1只恒河猴初级视觉皮层的实测数据验证了该算法的实用性,并与主成分分析特征的高斯混合模型聚类、幅值特征的高斯混合模型聚类和变化率特征的k均值聚类等3种方法进行了比较。仿真实验中,在噪声水平为0.05、0.10、0.15、0.20时,误分率分别为1.18%±1.18%、1.41%±1.06%、2.27%±1.51%、2.98%±2.06%,低于其他3种方法;实测实验中,恒河猴数据的J3准则值为13.50±5.26,大鼠数据的J3准则值为26.43±10.46。与其他3种方法相比,平均J3准则值较大,且显著高于幅值特征的高斯混合模型聚类算法。所提出的方法表现出较高的分类精度和较好的类可分性,为实现神经元锋电位的可靠分类提供了一种有效的手段。