树状结构图像的形态重建在生物医学和地理学研究中发挥着重要作用。为了更好的研究这些树状结构图像的形态,需要对其进行数字重建,而关键点（包括末梢点、分支点和交叉点）的自动检测对树状结构的重建具有重要作用。关键点不仅可以提供拓扑信息来改善建重建结果,而且在细胞形态演变与标定、相关疾病病理分析和脑部图谱构建中也具有重要价值。因为很少有同时检测树状结构图像中三种类型关键点的方法,本文提出了基于环状发散射线模型的二维关键点检测算法来同时检测树状结构图像中所有类型的关键点。此外,由于大部分的生物医学图像为三维图像,本文将所提出二维的检测算法扩展到三维。主要研究内容如下:首先,本文提出一个基于环状发散射线模型的二维关键点检测算法。先将原始的二维图像进行图像增强和分割,得到分割后的图像,再利用现有的骨架化算法提取候选关键点。然后,采用环状发散射线模型来提取任意候选关键点附近的分支像素分布特征。环状发散射线模型是一个可以适应候选关键区域的大小变化和候选关键点周围邻域分支的疏密程度的像素提取模型,它的内外半径通过基于球形增长法和基于改进的射线爆发模型的半径估计算法来确定。最后采用DBSCAN聚类算法,通过分析环状发散射线模型中提取的像素强度分布的簇数,完成树状结构图像的二维关键点检测。其次,本文将所提出的二维检测算法扩展到三维。先在多个方向上将三维图像切片生成多组三维子图像,再将这些三维子图像进行最大强度投影生成投影图像,可以称之为多重最大强度投影。在这些投影图像上使用基于环状发散射线模型的方法检测出二维分支点。然后使用反向映射机制,即将二维坐标和像素强度都相同的二维分支点映射到三维子图像上,得到每个子图像的三维分支点。最后将三维子图像中的三维分支点进行融合得到原始图像中真正的三维分支点。该策略既能解决部分三维生物医学图像分辨率不统一的问题也能提高算法的检测效率。通过在430张二维图像和59张三维图像上的实验表明,本算法能够有效地获得非常准确的二维关键点和三维分支点的检测结果,与现有的算法相比取得了更高的准确率。此外,在同样计算机的配置下,本算法比现有的基于深度学习的算法检测速度快几十倍。即使是在大规模生物医学图像中,该方法在检测精度和计算效率方面都有优异的表现。