大脑的神经活动强烈依赖于脑血管网络,神经元活动所需要的氧气和营养物质以及代谢产生的废弃物都需要由血液通过脑血管进行运输。全脑三维显微成像方法,能够对哺乳动物全脑血管进行高分辨率成像,获取毛细血管分辨率水平的脑血管网络图像。血管分叉点是脑血管网络中的关键节点,准确的从三维图像中检测并提取血管的分叉点位置,对于重建脑血管网络和理解脑功能疾病的发病机理具有重要作用。传统分叉点检测方法无法摆脱对人工的依赖且鲁棒性差,无法实现全自动检测。本文在上述背景下,研究基于深度学习的脑血管分叉点全自动检测方法,主要研究内容及成果如下:（1）基于深度学习的脑血管图像分割方法。针对全脑荧光显微成像所产生的血管图像中粗细血管特征差异大、数量分布不均衡的问题,设计了一种基于多视角标签的深度学习血管分割框架进行脑血管图像分割。首先,在二值化标签的基础上,利用形态学操作提取出粗血管中心区域和血管骨架区域,形成两个不同视角下的图像分割标签;然后,设计了一个三阶段的三维卷积神经网络模型。其中,前两个网络利用多视角标签分别对粗血管和血管骨架区域进行预分割;最后,在预分割结果的基础上利用融合网络对血管进行精细分割。本文使用小鼠全脑荧光血管数据对分割方法进行验证,并使用准确率、正确率、召回率、F1值、豪斯多夫距离和centerline Dice六种评价指标对分割结果进行定量评价与分析,结果显示分割结果优于同类血管分割方法,并且能够保证血管分叉点的完整性和血管的连通性。（2）端到端的三维图像血管分叉点检测方法。首先,设计了一种单阶段的三维卷积神经网络,将血管分叉点检测处理为回归问题,通过网络预测分叉点的精确坐标;其次,利用血管的半径分布规律,设计了一种加权损失函数,解决大小血管分叉点之间的类分布不均衡问题;最后,利用抑制算法对重复检测结果进行抑制。本文使用模型数据集和小鼠全脑荧光血管数据集进行分叉点检测实验,并使用正确率、召回率和F1值三种评价指标对检测结果进行定量评价与分析,结果表明本文提出的分叉点检测方法优于同类方法,能够对分叉点进行检测和准确定位。（3）脑区尺度血管分叉点检测应用。基于上述提出的脑血管图像分割方法和分叉点检测方法,将其应用到脑区水平的大范围血管分叉点的检测。首先,将大尺寸血管图像拆分成重叠的三维小块,通过设置冗余值避免破坏分叉点信息,实现三维小块的分叉点检测;然后,通过数据融合的方式将全部小范围检测结果聚合,获得大范围血管分叉点检测的结果;最后,分别完成了针对小鼠皮层区域和小鼠海马脑区的血管分叉点检测应用。