神经元形态重建,是从三维神经图像中量化神经元的拓扑结构和几何特征。神经科学研究表明,神经元的量化数据可以直接用于神经元形态相关的统计分析和生物学分析,已成为神经图像数据通往神经科学新知识的桥梁。神经元由胞体和神经纤维构成,神经纤维的投射揭示了其信息传递的过程。神经纤维重建是神经元重建中最重要的一个环节。现今,神经纤维重建工具的效率较低,其原因之一是,在分离缠绕的神经纤维时,难以有效地识别神经纤维的走向,正确地提取神经纤维骨架点,以至于重建错误,并导致增加后续手动修改的工作任务,延长重建时间。因此发展能够解决上述问题的神经纤维重建方法及工具是迫切的需求。针对上述问题,本文发展了神经纤维自动重建方法,并在该方法的基础上开发了初步的神经纤维重建交互式工具。主要工作分为以下几点:（1）本文使用残差卷积神经网络分割三维神经纤维图像,得到神经纤维信号点集合。为了能够适应多样的神经图像,本文提出了基于迁移学习的神经纤维分割模块训练方法,通过加入少量新样本微调模型参数,使得新模型在新数据上表现更好。（2）本文提出了一种基于高斯混合模型的神经纤维信号点集合聚类方法。该算法以神经纤维前景点集合为数据基础,构建高斯混合模型方程,将前景点集合划分为若干小区域,最后通过连接小区域构成完整的神经纤维形态。该方法将每个小区域拟合成椭球状,通过限制椭球的半径因子来解决纤维距离近、虚假连接等困难现象。（3）本文开发了神经纤维重建交互式工具。该工具是以前景点表征神经纤维形态。此工具中整合了本文的深度学习分割方法和迁移学习训练方法,并提供简单易操作的接口,非机器学习研究者们可以直接使用;本文工具还提供了自动重建方法的CPU多线程和GPU硬件接口,提高算法效率。在此基础上,该工具提供三维图像和神经纤维形态结构的可视化环境,以及人工修改纤维形态等交互功能。本文提出的神经纤维自动重建方法在f MOST数据集以及Big Neuron和DIADEM公开数据集等三种数据集上进行了测试,重建结果证明本文方法达到了较好的重建指标。在f MOST数据集上,平均重建精度达到0.94,平均召回率达到0.94,均高于现有优秀的三种自动重建工具:Vaa3d,GTree,Neuron Studio;本文开发的神经纤维交互式工具将深度学习分割模块和迁移学习训练模块整合至其中,使用者不需依赖于机器学习经验调整参数,简单易用;工具中将自动重建方法扩展到GPU硬件上,运行速度为CPU多线程的35倍之多,可以高效地完成自动神经纤维重建工作;工具还实现了神经纤维形态结构的人工修改交互功能,在本文的最后展示了使用本文工具自动重建和人工修改的神经纤维精确形态数据。