在神经科学和生物医学信息处理领域,锋电位分类是从细胞外采集的信号中提取单个神经元放电信息的关键步骤。锋电位是神经元细胞膜上快速且短暂的电位变化,是大脑中神经元进行信息传递的主要途径。尽管目前已存在许多锋电位分类方法,但在准确性和鲁棒性方面仍有待提高。因此,本文提出了基于深度学习的锋电位分类方法,以更有效地实现锋电位分类,对于研究大脑的工作机制具有重要意义。首先,提出了一种基于一维卷积神经网络（CNN）的锋电位分类模型,包括卷积层、池化层和全连接层。使用“Wave＿Clus”模拟数据集对模型的性能进行分析。根据训练集数据占总数据的不同比例,将数据分为六组并分别对该模型进行测试。此外,与“WMsorting”方法、基于深度学习的多层感知器模型等六种方法进行了比较。结果表明该模型在提高准确率的前提下降低了人工干预的成本。其次,利用一维CNN模型对猕猴视皮层的神经元放电信号进行分析。根据该数据集各通道中的不同锋电位类别,设置一维CNN模型中的输出结点数量。使用不同比例的数据训练模型,对测试集数据进行分类。针对真实数据普遍存在的数据分布不平衡的问题,分别使用准确率和Macro＿F值对实验结果进行分析。该模型具有较高的准确率和较强的鲁棒性。最后,提出了一种卷积神经网络与长短期记忆网络（LSTM）相结合的方法以解决叠加锋电位的分类问题。根据锋电位的叠加程度对其进行标定,分别使用模拟数据集和真实数据集对CNN+LSTM模型进行验证,并与一维CNN模型进行比较,使用准确率评估分类结果,说明了该模型在处理叠加锋电位分类问题上的优越性。