脑纤维重建技术为脑手术导航、认知机理等研究提供重要的依据,己成为当今信息、神经科学共同关注的前沿。脑纤维重构的基本思想是先建立体素模型估计纤维方向分布函数,再利用纤维跟踪算法得到具有解剖学意义的纤维空间微结构。随着目标信号采集精度的提高,现有纤维估计模型和跟踪算法已经难以满足纤维精确重构的要求。在模型估计方面,现有高阶张量成像模型虽然解决了二阶张量模型(DTI)难以刻画复杂纤维结构问题,但是存在纤维特征方向提取复杂、计算量大以及角分辨率较低等问题。本文主要针对以上问题,提出了改进方法。基于任意阶次的正定高阶张量理论,本文提出了一种能够快速获得任意阶张量纤维特征方向的迭代搜索算法。该方法根据张量模型的特征,首先利用网格细分快速确定特征方向的大致区域,进一步针对该区域进行细分,从而迭代获得精确的高阶张量模型特征方向。该方法解决了现有符号计算方法易于陷入局部极值点或者搜索不收敛带来的误差和计算效率问题。测试结果表明,相比于现有的符号计算方法,我们的算法可以在6阶以及更高阶模型下可以获得稳定的纤维特征方向。针对现有高阶张量模型描述方面和半正定特性方面存在计算量和离散误差大等问题,本文通过平方和多项式理论建立任意阶张量模型以保证非负特性,并建立连续高阶张量纤维方向分布函数与脉冲基函数的卷积模型,通过迭代反卷积算法稳定获得高精度纤维方向分布函数。模拟数据和实际数据实验测试结果表明,本文所研究的基于高阶张量的球面反卷积模型,提高了原有高阶张量模型的分辨率,使其能更加准确地反映复杂纤维的自身特征,这为进一步研究更加可靠的纤维束跟踪算法创造了良好的条件。后续工作者可以将本算法应用于各种纤维束跟踪算法中,得到更好的脑白质纤维跟踪结果,进而更好地应用于临床研究。