阐明大脑工作原理有助于诊断和治疗帕金森症、阿尔茨海默症等大脑疾病,对提高人类健康水平、生活质量有积极的实际意义,并且对人工智能、纳米技术、细胞生物学等众多领域都具有重要的推动作用。大脑微观结构重建是探索大脑工作原理的前提条件。为了重建大脑微观结构,首先需要获得高质量的脑切片序列显微图像。然后利用机器学习、计算机视觉相结合的方法对大脑切片序列显微图像进行识别和重构,得到大脑神经回路的微观表示。大脑图谱蕴含的信息内容与其探测尺度有关,包括毫米尺度的宏观层面(核磁成像)、微米尺度的介观层面(光学成像)和纳米尺度的微观层面(电子成像)。毫米和微米尺度的脑图谱数据已经相当丰富,但是由于分辨率的限制,这两个尺度的图谱无法确立神经元之间的联结信息。本文以中国科学院自动化研究所微观重建与分析组实验平台为依托,获取第一手大脑神经元序列切片电镜图像。以神经元膜结构分割和大脑神经系统微小结构重建算法研究为主要内容,从图像分割、机器学习两个重点研究方向展开大脑神经元序列电镜图像三维重建。神经元膜结构分割是在深度卷积神经网络输出的概率图的基础上进行的,具体使用了分水岭方法和区域生长方法两种方法。深度卷积神经网络在机器视觉方面展现出优异的性能,在机器学习上面具有较强的泛化能力。分水岭方法可以得到较细致的分割并对弱边界敏感,可以解决电镜图像界限不分明的神经元分割问题。区域生长方法在分割边界细化方面具有良好的效果。本文所关注的大脑神经系统微小结构主要包括突触和线粒体。突触是神经元之间发生联系的基本单位,也是神经元传递信号、实现功能的最终通道。作为整个神经系统传递的最小功能单位和大脑信息交换和存储的关键,突触已经成为各种神经系统相关研究的突破口。线粒体是一种存在于大多数细胞中为细胞制造能量的细胞器,是细胞进行有氧呼吸的主要场所。同时线粒体还参与诸如细胞分化、细胞信息传递和细胞凋亡等过程,并拥有调控细胞生长和细胞周期的能力。对突触和线粒体等重要细胞器的识别,主要用到AdaBoost方法和一种基于一维嵌入的半监督分类算法。最后,结合神经元细胞膜分割结果和细胞器识别结果,利用基于运动估计的方法,进行三维重建。该运动估计方法是根据空间运动物体在观察成像平面上的像素运动的瞬时速度,利用图像序列中的像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系,从而计算出相邻帧之间物体的运动信息的一种方法。本文重点解决了以下关键问题:(1)提出分割神经元膜结构的有效方法;(2)提出识别大脑神经系统微小结构(诸如突触、线粒体等重要细胞器)的方法;(3)应用基于运动估计的算法重建体量为45μm × 45μm × 45μm的鼠脑;本文开发的一整套方法为脑微观重建与分析了提供基础,并且这一整套方法还可以推广应用到其它重建方面的问题。