21世纪以来,人脑连接网络的构建一直是国际上前沿的研究课题,而脑网络构建过程中最关键的两个技术就是白质纤维成像和纤维跟踪。基于扩散加权磁共振成像的脑白质纤维跟踪技术是目前活体显示脑神经微结构信息的重要手段,该技术为神经生理学的研究、各类神经疾病的诊断以及人脑连接网络的构建等方面提供了新的思路。由于常用的扩散张量成像技术难以描述复杂的纤维微结构,各种高角度分辨率磁共振成像技术逐渐成为近年的研究热点。其中,球面反卷积方法是目前解决复杂纤维结构较精确的方法,但其面临数据采集时间冗长、运算量大、纤维重构分辨率低等缺点。针对球面反卷积问题的特点,结合纤维方向分布的非负性与稀疏性,本文提出基于压缩感知理论的球面反卷积稀疏成像理论与方法,实现一种多阶段迭代反卷积算法,提高成像精度的同时也缩短了成像时间。并在此基础上实施纤维跟踪算法。本文的具体工作和成果如下：1.针对现有球面反卷积模型无法稳定、高效的估计小角度纤维交叉结构的问题,本文提出了一种加权稀疏表示的纤维方向估计方法。该方法首先建立球面反卷积纤维方向估计模型,研究沿纤维方向的稀疏表示方法,进而在球面反卷积框架建立带稀疏性约束的l1范数优化模型,最后给出了该优化模型的非负约束的迭代反卷积求解过程。模拟数据、合成数据和实际数据实验的测试结果表明,本文提出的成像模型具有较高的识别精度,同时成像速度也得到大大提升。2.针对现有的纤维跟踪技术跟踪效率低、难以达到临床应用的问题,本文在球面反卷积稀疏模型的基础上,研究了比较有代表性的两类脑白质纤维跟踪算法,即流线型跟踪法与贝叶斯概率跟踪法,并通过合成数据实验和实际数据实验进行测试比较。测试结果表明,在本文提出的模型的基础上实施纤维跟踪算法,可以获得更加准确的脑白质纤维重建结果。此外,贝叶斯概率跟踪法的跟踪精度要高于流线型跟踪法,而计算简单程度又不及流线型跟踪法。本文针对现有白质纤维成像技术和纤维跟踪技术存在的问题进行讨论,并提出了相应的改进方法。从实验结果来看,本文提出的球面反卷积稀疏成像方法能大大提升成像精度与速度,基于该方法的纤维跟踪技术也较传统方法更加准确和有效。目前确定性跟踪方法得到了较广泛的临床应用,而概率性跟踪方法处理时间长,缺乏临床验证。因此在今后的工作中,兼顾高准确性与高处理速度的实时性跟踪算法将成为研究的主流,随着研究的不断深入,有望让纤维跟踪技术在临床应用和病理特异性研究等方面发挥更大的作用。