神经元是包括情感和记忆在内的大脑高级神经活动的生物学基础。结构决定功能，因此脑科学中对神经元结构的研究至关重要。科学技术发展至今，人类对于人脑的探索从未停歇，而且投入越来越大，目前我国已经能够实现小鼠全脑神经元和血管的矢量化。对神经元胞体进行分类研究既能为神经元分类奠定依据，又可为神经元的功能研究提供保障，还能为神经元病变与否的判别提供依据。　　本文采用K-means算法和BP神经网络对小鼠的部分神经元胞体进行分类。　　首先针对原始数据的缺陷予以改进：将初始中心平移到胞体的几何中心，用均值代替出现震荡的北极点N，利用差分的方法拟合南极点数据，这样能保证胞体之间的可比性。　　其次，设计仿真椭球数据采集程序，在输入椭球标准方程后，能够得到与胞体具有相同采集顺序的椭球面上点的坐标和半径，并提取特征向量。根据两个算法的分类结果，并对比已知标签，发现若两个特征向量来自同一椭球，尽管初始点位置不同，最终仍被分为同一类。这表明数据的最终分类与初始点位置、胞体是否旋转无关。根据分类结果，可以获得算法的最优参数组合。　　最后，应用K-means算法和BP神经网络对神经元胞体分类。为确保分类精度，从原数据中依据统计特征选取部分数据作为训练集和验证集，并人工给予标签。比较两者的分类结果，结合图形，最终确定胞体的分类：所采用的528个胞体中，正常类胞体共434个，异常胞体类94个，并且发现BP网络的分类准确率高于K-means算法的准确率。