大脑的结构和功能非常复杂,人类脑计划结合神经科学与信息科学对大脑的结构特征和认知功能进行研究,其目标是利用现代化信息工具,建立神经信息学数据库的通用标准,并在不同层次上对神经信息学数据进行检索、分析、整合和建模。神经元作为神经系统的基本组成和计算单元,具有丰富多样的空间几何形态结构,根据神经元的几何形态对神经元的类型进行合理划分,可以更好地了解神经元的特征和信息传递过程,同时理解大脑的结构与功能关系。然而神经元具有种类和特征数量多、极为复杂的特点,使得目前对神经元进行准确的几何形态分类仍然非常困难。深度学习是一种能够从复杂的数据中自动提取出抽象、非线性的高维特征,从而解决问题的机器学习算法。深度学习在图像理解、语音识别、自然语言处理等领域取得了重大进展,为复杂模式识别问题提供了全新的计算方式。本文使用所提出的深度学习网络模型来对不同的神经元数据做特征学习和提取,以更好地进行神经元的几何形态分类研究。首先,构建了神经元几何形态分类研究中的神经元分类数据集,当选取的神经元差异较大时会导致神经元几何形态分类难度过低、泛化能力验证不足的问题,本文构建了线虫和斑马鱼体内不同神经元种类数据集,以验证本文提出方法的分类准确率和泛化性。这两种神经元数据集中的神经元具有较高的几何形态相似性,要对其进行准确的分类非常具有挑战性。其次,为了实现对神经元几何形态的有效分类,先对全连接深度神经网络和深度残差神经网络进行研究,将深度残差神经网络中的跳跃连接思想应用到全连接深度神经网络中,接着使用局部累加的思想来改进深度残差神经网络,提出基于局部累加连接深度神经网络的神经元分类方法。将该方法应用于两种神经元数据集的几何形态分类,并分析模型相关参数对分类性能的影响。通过和所选用的多个经典的机器学习方法进行对比,实验结果表明该方法具有更高的分类准确率。最后,传统的基于几何形态的神经元分类方法依赖于神经元空间结构特征的提取与选择,会损失大量有用的神经元分类信息。应用三维神经元的几何形态信息,提出了一种基于深度学习网络的神经元几何形态分类方法。该方法的特点是不需要提取神经元的几何形态量化特征,可以直接对卷积型深度学习模型输入神经元图像信息来实现神经元几何形态的分类识别。该方法将原始神经元数据进行三维体素重建,经过自适应投影过程构成二维神经元图像数据,并构建了基于双卷积门限循环神经网络的深度学习模型对神经元进行分类。将该方法应用于两种神经元分类数据集,通过与基于特征提取的神经元分类方法相比,实验结果表明该方法具有更高的分类准确率和良好的适应能力。