神经元是神经系统的基本组成单元,通过研究神经元的形态与功能,可以掌握神经系统的组织结构和信息传递方式,继而提升对生物体的脑认知水平。目前,对神经元的类型识别研究大多基于神经元几何形态量化特征提取并结合有监督机器学习算法进行神经元分类。然而有监督算法只能对有标签的神经元数据进行分类研究,忽视了实际研究中会遇到大量无标签数据的可能,并且在神经元几何形态特征的量化过程中,几何形态特征的提取和计算都会产生误差,这个误差直接影响了神经元分类的准确性。针对上述问题,本文先后采用拓扑形态转换和三维空间重构两种数据转换方法对黑腹果蝇神经元的几何形态特征进行量化提取,在此基础上针对神经元无标签数据和有标签数据分别提出两种神经元几何形态类型识别方法,具体工作如下:（1）依据生物神经元结构特性及其数字化重建方法,构建黑腹果蝇神经元几何形态数据集。本文构建的神经元数据集由黑腹果蝇的胆碱能神经元、多巴胺能神经元、氨基丁酸神经元、谷氨酸能神经元、M-d树枝化神经元和血清素神经元组成。考虑到神经元几何形态类型识别的实际应用场景存在大量无标签和有标签神经元混合的可能,将黑腹果蝇神经元数据集划分为无标签数据集和有标签数据集。（2）为满足对无标签神经元数据集进行合理类型划分的需求,提出一种基于拓扑形态转换的神经元几何形态聚类方法。该方法以拓扑形态转换的形式取代传统的量化神经元特征提取方法,实现了对神经元分支拓扑信息的提取、完成了对神经元数据的类型转换并最终将数字化重建后的神经元数据转换为持久性图像。为保留神经元重要特征的同时降低模型计算量,通过主成分分析法和t-分布随机邻域嵌入算法完成对神经元持久性图像的特征提取和降维。采用近邻传播算法和沃德聚类算法对降维后的神经元数据进行聚类分析。由聚类评估指标选取出近邻传播算法和沃德算法最佳聚类效果下的算法参数,通过对实验结果进行计算完成对两种聚类算法的效果评估,其中类内评估指标轮廓系数值分别为0.456和0.462,类外评估指标调整后兰德指数值为0.817。（3）为解决有标签神经元数据的类型划分问题,提出一种基于三维卷积神经网络的神经元几何形态分类方法。该方法以深度神经网络为工具通过提取神经元几何形态特征完成神经元分类任务。为构建出黑腹果蝇神经元数据集的三维空间重构数据,对数字化重构后的神经元SWC文件进行解析,提取了单个神经元三维笛卡尔坐标及各节点之间位置关系。提出一种三维线性插值的方法,通过对神经元三维结构进行节点补充,解决神经元三维结构存在节点稀疏、相邻节点之间距离过大的问题,完成对神经元三维空间结构的重构,并最终分别在三维卷积神经网络模型和三维残差卷积神经网络模型上进行训练。为验证上述方法的有效性,设置了对照实验,在构建出的黑腹果蝇神经元量化特征数据集上记录了基于全连接深度神经网络和基于深度残差神经网络模型的神经元分类方法的结果。与全连接深度神经网络相比,三维卷积神经网络模型在训练集上的准确率提升了5.8%,达到97.5%,与深度卷积神经网络相比,三维残差卷积神经网络模型在测试集上的准确率提升了1.3%,达到76.6%。