研究神经元细胞的形态与结构对理解大脑的工作方式和机制有着至关重要的作用。其中的关键步骤就是利用神经元三维光学显微图像进行大脑神经元重建,又称大脑神经元追踪。在过去的几十年中,神经科学与计算领域的研究者们开发了许多相关的方法、技术和工具来研究神经元数字形态重建。许多的大脑神经元重建算法在覆盖率方面已能较好地完成重建任务。然而,由于神经纤维之间大量的交叉结构,许多重建结果将出现拓扑结构错误及因其产生的不完整重建现象。研究如何对神经元三维交叉结构进行检测,并在神经元图像中分离三维交叉结构,是一个亟待解决的任务。因此,本文提出了一种基于三维交叉结构分离的大脑神经元重建算法,以改善神经元重建的效果。主要的研究内容如下:首先,对神经元图像栈中的三维交叉点进行检测。本文利用基于各向异性滤波的分割方法对神经元图像进行前景提取,再使用三维骨架化算法获得神经元骨架。所有三维骨架点将作为神经元交叉点的候选点。接下来,采用球面特征图提取方法提取神经元交叉点候选点附近体素强度的分布特征,再将特征送入一个二维多流卷积神经网络进行学习,最终检测得到神经元三维交叉点。其次,提取神经元图像栈中的三维交叉结构特征,并实现基于三维交叉结构分离的大脑神经元形态重建。先利用神经元三维交叉点定位神经元图像栈中的三维交叉结构。为了提取交叉结构的形态特征,本文提出了一种多尺度改进射线发射模型,通过多尺度提取候选点周围体素强度分布,以高置信度获得鲁棒的交叉结构特征,例如神经纤维间的夹角和长度。针对检测到的交叉结构,本文提出一种三维交叉结构分离方法以消除交叉结构的虚假连接。通过提取的特征生成变形分离的神经元纤维信号,以代替原交叉结构的神经纤维信号。神经元交叉结构分离后将得到一个新的神经元图像,用于目前广泛使用的神经元形态重建算法进行大脑神经元重建。最后,在Big Neuron和SWMB两个神经元数据集中对本文提出的算法进行测试,实验结果清楚地表明,本文算法可有效提升神经元重建的性能。定量分析实验和视觉对比结果均表明,该方法有助于改善大脑神经元重建结果的拓扑结构,生成更可靠的重建结果。