近年来,随着扩散张量成像（DTI）的发展,研究人员可以通过纤维束追踪技术推断出轴突纤维之间的连接信息。纤维聚类就是将纤维束追踪提取的全脑白质纤维聚类成相似且有意义的纤维束。它是基于纤维束分析人类大脑的先决条件,对于解释大脑结构和功能之间的关系有着重要的作用。然而大脑的神经通路相互穿插,并在几何学中具有复杂的个体差异性,使得将它们聚类成有意义的分组以进行进一步的统计和分析变得非常困难。因此,如何确定“相似且有意义”的指标决定了纤维聚类方法的性能和可能的应用。之前的大脑神经纤维的聚类方法,大多数包括两个步骤:计算所有纤维的相似性矩阵并通过聚类算法将它们分成束。对于计算所有纤维的相似性矩阵,目前大多数纤维聚类方法基于纤维的几何形状和解剖结构,但这些纤维聚类结果的功能含义尚不清楚。最近的研究表明通过fMRI可以挖掘大脑功能网络。而且从DTI数据中推断出的结构连接和从fMRI数据中推断的功能连接是紧密相关的。对于第二步,使用传统的聚类方法或最新的深度学习算法,尤其是深度学习算法,对于代表更复杂和抽象概念有着显著的能力,并且能从原始数据中提取更多有用的特征,现已被用于纤维聚类。然而,大多深度学习的纤维聚类算法都需要训练标签或人工干预。而且个体差异较大,若要对比个体之间的纤维束需依靠精准地配准,过程十分复杂,耗时巨大,不适合大规模的研究和应用。本文总结了大脑神经纤维聚类的研究背景和意义,以及国内外发展现状,并利用现有的深度学习方法提出了一种新颖的纤维聚类方法,即应用具有嵌入式聚类的深度卷积自编码器（CAEEC）进行纤维聚类。这与以前的深度聚类算法不同,它通过聚类损失和重构损失的组合损失来训练人工神经网络,因此能够获得具有更多区分性的特征,从而可以使聚类出得纤维束具有一致的结构和功能意义,同时避免了个体之间的配准。主要的研究内容如下:（1）预处理了 DTI数据并获得了整个大脑的纤维和皮质表面。通过两种方法应用DTI数据提取纤维的结构信息。一种方法是抽样提取每条纤维上固定数量点的坐标信息作为纤维的结构信息。另一种方法是将整个大脑等分后提取每条纤维在每一份中的概率作为纤维的结构信息。这样可以避免个体之间的配准。最后,将通过两种方法获得的具有结构信息的纤维分别输入具有嵌入式聚类的深度卷积自编码器以生成具有一致性结构意义的聚类纤维束。然后对比分析不同个体大脑神经纤维聚类结果并验证了此方法的可重复性。（2）预处理了 task-fMRI数据并将其配准到各自DTI空间后,在纤维上提取task-fMRI信号以表示具有任务功能信号的纤维。最后,将其输入具有嵌入式聚类的深度卷积自编码器以生成具有一致性功能意义的聚类纤维束,并使用原始任务设计曲线验证了其中提取的部分特征。（3）将提取的功能信息与结构信息相结合,通过具有嵌入式聚类的深度卷积自编码器进行纤维聚类,从而联合优化聚类结果。最终得到的纤维束通过叠加到大脑皮质表面和任务激活的功能网络上进行可视化和验证。实验结果表明,该方法可以将整个大脑的纤维成功聚类成同时在功能和结构上有意义的纤维束。最后将得到的纤维束与解剖学束进行对比,表明其具有解剖学意义。