计算神经科学是一门交叉学科，旨在通过数学分析和计算机模拟，在不同层次上对神经系统进行建模与研究。其研究范围涵盖从单个神经元的生物物理模型、神经元之间的动态交互、神经网络的学习机制，到脑的组织结构和神经类型计算的量化理论。该领域从计算角度理解脑的工作原理，探索非程序化、自适应、类脑风格的信息处理本质与途径，进而推动新型信息处理机理的发展，对智能科学、信息科学、认知科学和神经科学产生深远影响。

对脑和神经系统的研究历史悠久。18世纪末，人们已认识到脑的不同区域执行不同功能。1891年，Cajal创立神经元学说，指出神经系统由结构上相对独立的神经细胞构成。在此基础上，1906年Sherrington提出突触概念。20世纪20年代，Adrian记录到神经动作电位。1943年，McCulloch和Pitts提出M-P神经网络模型，开启了人工神经网络的研究。1949年，Hebb提出突触可塑性学习规则（Hebbian学习）。20世纪50年代，Rosenblatt提出感知机模型。20世纪80年代以来，计算神经科学取得显著进展：Hopfield引入Lyapunov函数（计算能量函数）作为网络稳定判据，该函数与VLSI直接对应，为神经计算机研制奠定基础；同时，Hopfield网络可用于联想记忆和优化计算，开拓了神经网络应用新途径。甘利俊一（Amari）在神经网络数学基础理论方面做出大量贡献，包括统计神经动力学、神经场动力学理论、联想记忆，尤其在信息几何方面做出奠基性工作。计算神经科学的研究力图体现人脑的基本特征：①大脑皮层是一个广泛连接的巨型复杂系统；②人脑计算基于大规模并行模拟处理；③人脑具有强容错性和联想能力，善于概括、类比和推广；④大脑功能受先天因素制约，但后天经历、学习与训练等起重要作用，表明人脑具有强自组织性和自适应性。许多人类智力活动并非按逻辑推理进行，而是由训练形成。

目前，对人脑工作机制的理解仍很肤浅，计算神经科学面临诸多未知领域，需在基本原理和计算理论方面进行更深入探索。通过对人脑神经系统的结构、信息加工、记忆和学习机制的分析研究，从人脑工作机理进行仿真，可提出智能科学的新思想和新方法。

计算神经科学的核心科学问题包括：

神经活动的基本过程：研究神经元离子通道及其调控、突触传递及其调控、神经元受体及信号转导、神经活动的同步机理。

单个神经元的计算模型：单个神经元由细胞体、树突和轴突构成，是神经网络的基本单元，神经元之间通过突触连接。建立精确的神经元模型是理解其计算功能的基础。

学习和记忆的神经机制：神经系统因活动和环境等因素在结构和功能上发生改变，这是学习和记忆等高级脑功能的基础。研究突触可塑性机制及学习规则，以及神经元回路的信息编码与加工机理。

神经元和神经系统发育的分子机制：神经细胞在脑发育时由神经干细胞分化而来，经过迁移、突起生长、突触形成等过程逐步构建复杂精密的脑。研究调节神经干细胞分化、维持神经细胞存活、调节迁移和突起生长的神经营养因子及其作用机理。

神经递质：研究神经递质的构成、合成、维持、释放及与受体的相互作用。