在神经科学领域，理解神经元之间如何相互连接来进行计算是一个核心的问题。当前，实验上直接探测神经元网络的连接非常困难。但是，随着神经元活动测量技术的发展，人们获得神经元活动数据的能力大大提升。因此，反向思考，如何从神经元活动数据中重构出其底层网络的连接结构，是当下研究的热点。基于离散时间序列的分析，格兰杰因果关系（Granger Causality，GC）是一种广泛使用的神经元网络重构方法。然而，由于实验测量的物理量大多在时间上连续，需要对其离散采样以进行GC分析。因此，采样过程（比如采样间隔）对GC分析有怎样的影响，如何采样才能获得可靠的GC网络重构是重要的实际问题。本文针对该问题进行了完整的现象讨论和理论分析，给出了获得可靠GC神经元网络重构的方法。本文对于采样与GC可靠性的分析不仅适用于神经元网络动力学，而且可以推广到一般的动力学系统。　　本文主要有以下创新与贡献：一、首次完整地讨论与分析了采样间隔对GC值以及GC分析可靠性的影响。二、基于神经元网络动力学，发现并解释了尺度悖论，提出了标准化GC的概念。三、首次提出了均匀采样下获得可靠GC分析的采样策略，帮助实验中正确使用GC分析进行神经元网络重构。四、将GC分析推广到了非均匀采样的数据，可以在低采样率下获得可靠的GC分析。五、对I&F网络动力学功率谱的特性做了细致分析，提出了协方差截断以及高频尾部幂率拟合的谱处理办法，提高了非均匀采样GC分析的准确性与可靠性。