脑纤维成像技术是研究脑部结构连接、认知机制及脑部疾病诊疗、脑科手术导航的重要方法，是目前信息科学和神经医学领域研究的前沿科技。脑纤维成像技术通过体素建模实现纤维方向分布函数的估计之后根据纤维跟踪算法得到解剖学上的纤维整体空间微结构。高角度分辨率扩散成像技术克服了扩散张量模型难以重构复杂纤维结构的缺陷，以其优越的重构效果迅速成为了纤维成像研究的热点。其中球面反卷积成像方法是目前最为准确的纤维重构方法，但是球面反卷积方法中复杂的球谐函数会导致求解过程的繁琐，常需要添加额外的约束项来实现纤维的准确重构，因此存在稳定性不高，计算量大的缺陷。此外，基于单个白质体素的纤维模型重建对于连贯的空间纤维结构来讲存在一定的信息缺失和误差累加，由此跟踪实现的纤维结构并不完全准确，不利于在临床上的应用。针对球面反卷积模型存在的以上问题，本文提出了相应的改善方法，具体的工作内容如下：　　1)针对球谐函数作为基函数时的角度分辨率低和计算复杂性问题，本文提出了一种基于球面字典基函数的球面反卷积纤维估计方法。首先，提出了一种基于正矢函数的基函数并构建出了球面空间内的字典来表示纤维方向分布函数，该基函数具有良好的方向表现性，幂指数的应用更加突出了方向函数的极值，并且有效的抑制了伪峰的产生，提高了纤维的角度分辨率；另一方面，由于基函数本身的非负性，在纤维方向估计过程中不需要额外的非负约束，利用基本的最小二乘方法就能够得到较好的纤维重建结果，避免了大规模逆问题的求解。模拟数据和临床数据的实验结果表明该方法成功提高了纤维的角度分辨率，大大降低了成像时间。　　2)针对基于单个体素的纤维重建存在的信息获取不全面的问题，本文提出了一种基于全变差正则化的纤维重建方法。本文将图像处理领域的全变差方法应用至纤维方向分布函数系数的估计过程中，将体素内的纤维重建过程与周边体素的纤维分布信息相联系，以实现纤维结构的空间一致性估计。为了全面显示该方法的优越性，本文在模拟数据和临床数据对纤维的模型重构结果及纤维的概率型跟踪结果进行了对比实验，其结果显示全变差正则化的应用成功实现了纤维的空间一致性估计，获得了更加准确的纤维跟踪结果。　　3)为了全面考虑扩散敏感度系数对纤维扩散的影响，本文重新定义了单条纤维响应函数，使重建模型能够适应多扩散敏感度系数的采样数据，即多壳采样数据，建立了多壳采样扩散信号下的纤维方向分布估计模型。　　本文针对现有的球面反卷积模型存在的问题提出了相应的改进方法，实验结果显示球面字典基函数的应用成功实现了纤维模型角度分辨率的提高，而且避免了以往重建过程中的大规模优化问题；全面差正则化模型的应用成功提高了纤维模型的空间一致性，基于该方法下的纤维跟踪结果也充分显示出了该方法的优越性。为了全面考虑纤维重建过程中的信息，本文将所提出的方法应用到了多壳采样信号的纤维重建过程中以实现纤维的准确重建。准确度高，重建速度快的纤维重构技术依然是脑部纤维结构分析，脑组织连接认知的重要研究方向，也是临床可应用性的保障。