大脑神经网络对人类的思维、情感与行为都起着决定作用，在脑疾病以及类脑智能研究方面具有重要价值。而神经元是构成脑网络的基本单元，重建神经元的拓扑结构并分析其形态特征是脑网络研究中的重要方向。
　　近十几年来，随着神经标记和光学成像技术的逐渐成熟，科学家已经能够获得单神经元水平的全脑三维图像，为神经元形态重建奠定了数据基础。接下来的问题是如何从这些图像中识别、分割神经元的形态结构，并重建数字化三维模型。目前，神经元重建的金标准是人工重建，可以最大程度地保证准确性，但是效率极低。近年来科学家们一直致力于自动化神经元重建方法的探索，是神经光学图像处理的热点研究问题，发展出了数量众多的全自动重建工具，重建速度也得到较大提升。然而，由于神经元结构复杂多样、密集标记以及图像信号干扰严重等问题的存在，使得全自动的方法难以得到足够的准确度。因此，半自动的方法成为目前开展神经元重建和相关应用研究的主流技术方案，其利用自动化的重建算法来提高重建效率，同时加入人工干预来降低错误率。当前使用半自动方法重建每个神经元需耗费15到70小时，重建速度为平均每小时0.1到0.6厘米。除了自动算法性能和人工操作经验这两个影响因素以外，半自动的人机交互过程也是影响重建速度的重要因素，但这通常被认为是软件开发相关的工程问题，学术界的关注度还比较低。
　　为了能够有效地获取神经元重建的交互过程，本文开展了过程挖掘的相关研究，提出了面向块结构的过程挖掘方案，实现了对重建过程的自动建模。该方案通过“分而治之”的思想将复杂循环结构简化，从而可以处理复杂的神经元重建流程。并且依据方案中日志采集、预处理以及一致性分析等步骤，排除了不完整日志以及各种噪声的干扰，保证挖掘出的过程模型能真实反映实际交互过程。基于这套方案，本文处理了100多份重建日志，为后续工作积累了分析数据。
　　为了利用提取到的过程模型对神经元重建过程进行优化，本文提出了面向数据和面向过程的用户行为分析及优化方案。其中面向数据的分析通过对模型中的各交互行为进行聚类，将其分为五大类别，并根据每个类别的特点分别进行优化。而面向过程的分析通过模型重放的方法定位模型中不合理的结构，利用用户的操作规律与行为习惯简化模型。该方案有效地简化了人机交互过程，提升了人机交互效率。
　　基于上述工作，针对目前重建工具的人工干预效率普遍较低的情况，在开源的重建工具GTree基础上，开发了一款半自动神经元重建插件，既能通过人工监督保证重建准确度，又能通过简化人机交互的方式降低人工干预程度。插件相较于优化前，重建速度提升了19%。
　　综上所述，本文工作基本达到研究目的，利用所建立的基于用户行为分析的神经元重建过程优化方案，可以获取反映神经元重建的过程模型，并对其进行精准优化，有效地提升了人机交互效率。说明了只有从自动算法、人工操作经验以及人机交互过程等多个方面共同推进，才能最大程度地提升神经元重建效率。