超大规模神经元集群的结构重建与形态分析是脑科学领域里的重要研究课题,在计算神经生物学中有着广泛应用。神经元形态是神经元活动、神经可塑性和神经连通性的关键性决定因素,被认为与神经元的生理特性和神经功能密切相关。随着光学显微成像技术的发展,从超大规模脑图像中重建出超大规模神经元集群并对这些神经元形态数据进行分析,对于研究神经系统机理有着至关重要的作用,并对老年痴呆症和阿尔茨海默病等脑神经相关疾病的研究具有重要意义。近年来,大量研究工作使用基于先验知识设计的手工特征来完成光学显微图像中的神经元三维结构重建或者对神经元形态数据进行定量表征。随着近几年深度学习的迅猛发展,一系列基于深度神经网络的神经元三维结构重建方法和神经元形态分析方法也涌现出来。然而,光学显微图像质量不高、神经元形态复杂多样、人工标注匮乏、大规模数据处理的计算代价巨大,使超大规模神经元集群的结构重建与形态分析面临着重大挑战。本文面向光学显微图像中的神经元三维结构重建和大规模神经元形态分析问题,重点研究半监督和无监督的深度学习方法,实现了从单个到数个量级规模的神经元的形态重建,到数百到数千个量级规模的神经元进行形态观察,以及数万到数十万个量级规模的神经元形态数据进行高效准确地分析。本文的主要内容和创新点总结如下:（1）光学显微图像中的神经元三维结构重建现有神经元重建方法在面临背景噪声复杂、神经元信号质量不均的光学显微镜图像时,往往难以重建出结构完整的神经元形态数据。深度学习技术有助于提升神经元结构重建的性能。然而,基于深度神经网络的方法面临着缺乏神经元人工标注的问题。本文研究了一种结合深度学习技术和传统神经元追踪方法的渐进式学习方法,提出了一种无需手工标注数据的渐进式神经元三维结构重建方法。传统的神经元追踪算法不需要昂贵的神经元人工标注,可以用来生成神经元体素的伪标注数据。基于这些伪标注数据,深度分割神经网络能够学习到更加全面的神经元特征,实现从光学显微图像复杂的背景噪声中提取出更为完整的神经元体素信号。基于渐进式学习的机制,神经元追踪模块和深度分割神经网络模块能够相辅相成来不断提升神经元重建质量。（2）超大规模神经元集群重建太字节级光学显微图像中的超大规模神经元集群重建面临着神经元形态复杂多样以及超大规模三维脑图像带来的巨量计算和内存开销等问题。本文提出了一种基于自适应分块重建与融合策略的超大规模神经元集群重建方法,能够从超大规模光学显微图像中重建出高质量的超大规模神经元集群。本文设计了一种自适应搜索重建图像块算法,通过连续追踪图像块中的神经元,实现在有限的硬件开销条件下自动完成超大规模神经元集群的重建。为了保证神经元重建结果在跨多个图像块的结构连续性,本文设计了一种神经元无缝拼接算法,能够无缝且平滑地连接相邻图像块之间的神经元片段。结合渐进式学习神经元集群重建方法,本文在小鼠全脑多个脑片的三维光学显微图像上实现了高质量的超大规模神经元集群重建。（3）大规模神经元形态分析神经元复杂多样的形态、人工标注的缺乏以及神经元形态数据的海量规模等问题都对神经元形态分析任务提出了重大挑战。已有方法大多基于手工设计特征来描述神经元形态,表达能力有限,往往难以区分众多神经元之间形态上的细微差别。为此,本文提出了一种新的基于图神经网络的神经元形态分析方法。本文设计了一种形态感知的图神经网络,能够在完整保留神经元形态信息的情况下,高效准确地学习神经元形态特征。本文设计了一种基于对比学习的无监督学习机制,基于神经元形态数据增广方法,实现在没有人工标注的情况下完成图神经网络的训练。此外,为了对大规模神经元形态数据集进行高效快速地索引分析,本文进一步提出了深度哈希图神经网络方法。本文设计了一种渐进式学习的深度哈希算法,能够在线学习神经元形态的二进制哈希编码,显著提高了大规模神经元形态数据的分析效率。