大脑是生物体内结构和功能最复杂的组织,应用扩散张量成像（Diffusion Tensor Imaging,DTI）技术可以绘制出大脑的神经纤维连接。这些纤维轨迹需要被聚类或分割为数量较少的纤维束,这是基于纤维束分析大脑的前提,对理解大脑的结构和功能也起着至关重要的作用。纤维聚类或者纤维分割一个重要的步骤是如何定义相似的纤维。之前的研究定义的相似性特征从几何特征到解剖特征再到功能特征,虽然得到的纤维看起来越来越有意义,但是,反过来可靠性却依次下降。而且由于神经纤维存在个体差异性,若要对比不同个体之间的神经纤维束需要依靠精准地配准,过程十分复杂且会消耗大量时间,不适合大规模的研究和应用。因此,本文采用纤维的几何特征进行纤维束的分割,纤维几何特征涉及的因素较少,不易受到配准、分割和fMRI数据等的影响,更加可靠。本文提出了一种新的描述纤维几何特征的描述子:纤维几何图（FiberGeoMap）,并为此基于Transformer设计了一种新颖的纤维分割方法,即纤维几何图学习器（FiberGeoMap Learner）。纤维几何图（FiberGeoMap）可以精准的描述纤维的几何形状和位置信息,并且可以减小纤维在不同个体之间的差异,使不同人之间不需要再进行额外的配准;纤维几何图学习器（FiberGeoMap Learner）基于Transformer的编码器部分,以纤维几何图（FiberGeoMap）为输入,引入dropout层提高泛化能力,并使用sigmoid和二元交叉熵损失函数实现纤维的多标签分割,最终通过NNI（Neural Network Intelligence）的超参数自动搜索功能确定模型的最优超参数组合;另外,近期一些半自动方法得到的纤维束可以作为纤维束图谱,本文通过合并两个纤维束图谱得到合并图谱,合并图谱中包含更多类别的参考分割,将三个图谱分别用于训练、验证和测试本文提出的纤维分割方法。最后评估纤维分割结果,并与现有的纤维分割方法（如TractSeg,WMA）作对比。实验结果表明,本文的方法在不需要不同人之间配准的情况下,得到了人与人之间对应的、精确的纤维束分割,并且从分割类别的数量和分割精度上都优于现有的方法。另外,本文将此方法应用于自闭症病人的基于神经纤维束的分析研究,验证了方法的可重复性,并且在自闭症组和正常人组之间发现了更多具有统计学差异的纤维束。