在生物神经系统中，约160亿个神经元通过复杂的突触连接网络实现信息传递与处理。每个神经元通过树突接收来自其他神经元的电化学信号，在胞体内整合后，若电位超过阈值便通过轴突释放动作电位。这种“全或无”的放电机制构成了生物信息处理的基础单元，但其微观过程如何通过数学语言精确描述，始终是计算神经科学与人工智能领域的核心命题。
从20世纪40年代McCulloch与Pitts提出形式神经元模型，到Rosenblatt的感知机，再到现代深度神经网络，神经元数学建模经历了从线性到非线性、从离散到连续的演进。其核心思想可概括为两个阶段：首先接收多个输入信号并赋予权重，其次通过加权求和与阈值比较产生输出。以感知机为例，若神经元接收n个输入信号，其净输入可表示为输入向量与权重向量的点积加上偏置项，这一线性加权和本质上是衡量输入与权重方向的对齐程度。
几何视角下，线性加权和可视为输入向量在权重向量上的投影与模长的乘积。当输入与权重方向一致时点积最大，正交时为零，反向时为负值。偏置项则通过平移决策边界，使分类超平面不再局限于原点，显著提升了模型表达能力。然而，单层感知机仅能处理线性可分问题，如逻辑与、或运算，对异或等非线性问题无能为力。这一局限性在1969年被Minsky与Papert数学证明，导致神经网络研究陷入近十年的低谷。
多层前馈神经网络的实践表明，若每层神经元仅进行线性变换（即激活函数为恒等函数），无论网络深度如何，其输出始终是输入向量的线性组合。这种结构在函数空间上与单层线性网络等价，无法表达复杂非线性关系。引入非线性激活函数后，网络表达能力发生质变：通过仿射变换与非线性映射的交替复合，深层结构得以在特征空间中进行层级化重组。万能逼近定理进一步证明，满足条件的非线性激活函数（如Sigmoid、ReLU）可使网络以任意精度逼近紧致子集上的连续函数，这为深度学习在图像识别、自然语言处理等领域的突破奠定了理论基础。
原始感知机采用阶跃函数模拟神经元的“全或无”特性，但该函数在数学优化中存在致命缺陷：其导数在大部分定义域为零，导致梯度无法有效传播。为解决这一问题，Sigmoid函数作为阶跃函数的光滑近似被引入。该函数值域为(0,1)，导数可表示为函数值自身的函数，确保了非零梯度的存在。然而，当输入绝对值较大时，Sigmoid进入饱和区，导数趋近于零，引发深层网络中的梯度消失问题。现代深度学习因此发展出更多激活函数，如tanh、ReLU及其变体。ReLU在正半轴导数为1的特性，有效缓解了梯度消失，成为卷积神经网络的默认选择。
神经元数学模型的发展轨迹揭示了一个关键逻辑：其设计并非对生物神经元的简单复刻，而是在优化理论约束下的计算抽象。从早期受神经科学启发，到被数学优化驱动脱离生物原型，再到工程实践反推对神经机制的重审视，这一过程体现了跨学科融合对技术突破的推动作用。
