利用扩散加权磁共振成像重构脑白质神经纤维是目前活体显示脑功能区神经纤维走向的重要方法。对于脑认知功能、脑外科手术导航、精神类疾病的研究具有重要的意义。扩散张量成像是目前常用的纤维重构方法,但是其本质局限是不能解决体素内存在多于一条纤维的情况。于是,多种多纤维重建方法被提出以解决交叉纤维的重构问题。其中,球面反卷积模型是解决多纤维交叉较有效的方法。提高球面反卷积模型的纤维交叉识别角度分辨率是目前研究的热点和难点。为了提高基于离散纤维方向密度函数的和连续纤维方向密度函数的球面反卷积多纤维重建算法的纤维交叉识别角度分辨率,改善算法的准确性、鲁棒性及计算效率,本项目主要工作如下：首先,针对反卷积模型中的信号响应函数提出了一种简洁的形式和估计算法。在介绍反卷积算法原理的基础上,通过对信号响应函数的偏差影响实验得到信号响应函对反卷积重建的纤维方向密度函数影响的规律,并进而通过实验获得扩散加权磁共振信号参数对反卷积重建的纤维方向密度函数的影响结果。实验结果表明了本文提出的简洁形式的信号响应函数的有效性。其次,针对角度分辨率比较高但存在离散误差缺点的基于离散纤维方向密度函数的球面反卷积算法,提出了一种拟合处理的方法。该方法采用离散纤维方向密度函数建立球面反卷积模型,然后采用球谐函数拟合离散化的纤维方向密度函数值以补偿离散误差。实验结果表明,该算法在相同精度的情况下比增加采样点的方法效率提高了13倍多,比基于连续纤维方向密度函数的球面反卷积算法具有更高的角度分辨率。最后,针对连续球面反卷积算法的空间角度分辨率取决于球谐函数的高频分量,从而影响其小角度交叉纤维识别能力,提出了一种纤维分布性信息启发式迭代求解算法和启发信息获取策略以提高算法在超分辨率求解时的稳定性。仿真数据和实际临床数据实验结果验证了该算法能在保持鲁棒性和准确性的前提下提高纤维交叉识别的角度分辨率。