任何鼠脑分析工作的基础都需要客观准确的确定脑解剖学边界,它直接定义了细胞或神经元连接的身份,这一过程贯穿了整个实验的解释和比较。近年来,大规模脑制图成为神经科学研究的一个主要方向,目的是了解脑中基本结构和病理过程,精确的解剖学位置对神经元映射,环路分析尤为重要。一些大型的鼠脑地图绘制项目已经取得了很大成就,但是在这些项目中开发一套鲁棒性强,精度高的系统用于采集鼠脑数据的脑区分割与注释仍然是一个较大的挑战。本文主要从改进的配准算法和新兴的深度学习图像分割技术两个方面研究鼠脑数据的解剖学边界分割与注释问题。传统的配准方法难以在形变明显的脑数据上保证足够高的精度,配准算法的改进尤为重要。同时考虑配准算法存在耗时,数据通用性差等问题,尝试引入深度学习技术来解决这一经典问题。最后搭建了可操作性强,交互式的软件系统进行了功能实现并可在实验室中使用。本文研究内容主要有三部分。第一部分,基于配准算法完成了脑区分割与注释。为了提升模板与采集数据的配准精度,改进了现有配准方案,在配准时利用鼠脑固有形态特征生成掩膜辅助配准。最后,对比分析了本文的配准方案相较于传统方法在精度上的提升。第二部分,深度学习对鼠脑脑区进行快速粗略预测,使用人工校正后的配准结果作为训练数据,通过三组实验设计,对网络的鲁棒性以及分割精度进行了验证。第三部分,基于java语言设计开发一套实用的鼠脑脑区分割与注释软件,根据模块化软件的思想对各个功能进行模块封装,并将多线程技术应用在提高系统运行的效率和软件的可操作性上。