基于扩散磁共振成像的脑白质纤维成像技术是目前活体显示神经纤维走向的唯一非侵入式方法。其中，白质纤维微结构重构方法和纤维跟踪技术使得人们可以从微观和宏观层面来研究大脑结构，在脑神经外科手术导航、精神类疾病诊断及脑网络构建等方面发挥着重要作用。然而，当前的纤维重构模型由于其通常只考虑单个体素信息的重建，缺乏纤维结构整体性的研究，存在重构精度不高和抗噪性差的问题。另一方面，传统的确定性、概率性纤维跟踪方法由于过于依赖局部体素的纤维方向分布，在跟踪过程中容易受到一些不确定因素的干扰而引起较大偏差;全局跟踪方法由于模型和求解过程过于复杂，在时间和空间复杂度上还远远不能满足实际使用的需求。　　本文针对以上问题进行了分别研究，并提出了新的方法加以改善。具体工作内容如下:　　1)在字典基框架的基础上，提出了一种邻域字典基纤维重构模型。通过引入相邻体素的纤维信息，利用体素间纤维方向分布和信号的相关性对每个体素进行约束，建立一个带有区域结构约束的体素重构模型。同时，从邻域中自适应地学习、构建稀疏字典基用于模型重建，降低求解的计算复杂度，提高计算效率。模拟数据和实际临床数据的实验结果表明，本文提出的纤维重构模型能够保持较好的纤维一致性和平滑性，并且具有较高的重建精度和稳定性。　　2)提出一种脑纤维流线微分方程跟踪算法。在跟踪过程中搜索出邻域体素中与自身行进方向相近的多个纤维方向，建立一个三维空间上连续平滑的方向流场来表征纤维流线的分布，减小纤维建模误差带来的方向估计不准确的影响。通过龙格库塔数值积分方法求解流线微分方程，得到任意空间区域内整齐、平滑的纤维束集。在模拟数据和实际人脑数据上将本文方法与现有成像效果较好的确定性、概率性和全局跟踪方法进行对比来评价算法的有效性。结果表明，本文方法可以获得更加准确的白质纤维重建结果。