大脑是生物医学领域的重点研究对象之一，为了理解大脑的工作机理，科研工作者对大脑中的基本组成单元(脑神经元)及其连接所形成网络的结构和功能进行了深入研究。通过各种方式获取到的三维神经元图像中不可避免地存在各种噪声和弱信号结构，影响神经元图像的后续研究，比如特征点检测和神经元重建(追踪)等。因此，本文提出一种基于多层级三维全卷积网络和海瑟矩阵的神经元图像分割算法对神经元图像进行分割，达到去除噪声和增强弱信号的目的。主要研究内容如下：
　　首先对常用于三维生物医学图像分割的全卷积网络V-Net做相应的改进，构建多层级三维全卷积网络对三维神经元图像进行初步分割。一、调整网络层数和输入大小，保证网络最底层特征图的大小，更好地学习图像特征。二、考虑到神经元图像在X方向、Y方向和Z方向上分辨率和尺寸的差异性，在网络中引入各向异性卷积核。三、加入Inception模型以增加网络对不同种类神经元图像在结构和尺寸上的适用性。四、三维神经元图像的前景像素作为网络训练中的正样本，其数量远小于作为网络训练中负样本的背景像素的数量，因此使用加权交叉熵损失函数解决正负样本不平衡的问题。
　　其次，多层级三维全卷积网络得到的神经元分割图像中存在结构断裂的情况，因此建立基于海瑟矩阵的分割修复模型来对断裂结构进行修复。对此首先需要确定待修复的位置，即检测神经元断点。在断点检测中，考虑到断点可近似为神经元段的末梢点，因此使用多尺度射线发射模型来检测断点，同时在此过程中利用射线爆发模型估计局部直径并检测神经元段的方向，由此确立待修复区域。对待修复区域内的每个位置，计算海瑟矩阵特征值，并根据特征值的大小及相互之间的关系，判断待修复区域内的每个像素点是否属于前景像素，从而完成对神经元断裂结构的修复，得到三维神经元的分割修复结果。
　　最后，对BigNeuron数据库中的神经元图像进行分割，并在分割图像上检测特征点和重建神经元结构。实验结果表明本文提出的分割算法有极高的准确性，并且有效提升了特征点的检测性能和神经元的结构重建性能，这验证了本文提出的分割算法的有效性和可行性。