当神经网络遇到与训练数据分布（即分布内，InD）显著偏离的数据时，便会出现分布外（OOD）问题。本文从神经元激活的角度研究该问题。我们首先通过综合考虑神经元输出及其对模型决策的影响，对神经元激活状态进行形式化建模。为进一步刻画神经元行为与OOD问题之间的关系，我们提出了神经元激活覆盖率（Neuron Activation Coverage, NAC）——一种用于表征神经元在分布内数据下行为的简单度量指标。基于所提出的NAC，我们发现：1）分布内与分布外输入在神经元行为上可被显著区分，这一特性显著简化了OOD检测任务，并在三个基准数据集（CIFAR-10、CIFAR-100和ImageNet-1K）上超越了此前21种主流方法；2）在不同网络架构与数据集上，NAC与模型泛化能力之间始终存在正相关关系，这使得NAC可作为评估模型鲁棒性的有效准则。与现有的分布内验证指标相比，NAC不仅能更有效地筛选出更具鲁棒性的模型，且与模型在分布外测试集上的表现具有更强的相关性。