从人类基本的躯体运动到复杂的情感记忆,都是由不同类别的神经元所构成的神经环路,通过相互协同作用所形成的大脑网络来控制。因此,在介观水平研究神经元的精细结构和准确的脑区连接关系,对于正确理解大脑网络的运行机理至关重要。借助脑立体定位图谱作为参考,神经学家们能够以人工的方式去判断神经元及其纤维所属的脑区与核团。然而,由于实验动物的个体差异,其定位精度十分依赖个人经验和熟练程度。同时,不同的全脑光学标记和成像技术的组合,使得在不同脑区的图像在介观水平所展示的灰度特征都有所不同,传统的线性和均匀的空间配准方法难以将这些异质性的数据准确地匹配到脑立体定位图谱中。此外,各类神经科学应用也正在以规模化、工业化的方式产生海量的脑图像数据,依然沿用传统的人工定位方法将同时面临着工作量大、效率低等问题。为了满足上述需求,本课题分别解决了图像配准算法在“准确性”和“自动化”两个关键的问题,并在此基础上构建了介观水平的脑图像协同配准框架。具体如下:（1）针对介观水平脑图像数据“准确配准”的需求,构建了基于解剖学区域特征的三维脑图像配准方案（BrainsMapi）。该方法利用解剖学区域特征作为配准算法的定位基准,能够获得大量的、准确的、分布合理的基准点,用于描述脑中复杂的形变。将解剖学区域特征引入到微分同胚配准算法中,解决了定位基准准确匹配的问题,实现了以非参数模型的形式对脑中每个位置的形变进行灵活记录。本方法针对脑区（如皮层、海马、丘脑等）能达到0.95以上的配准精度（Dice系数）;对于纹理清晰的核团也可以达到0.90左右的配准精度,可以媲美解剖学专家人工定位的精度（P>0.05）。远优于BrainAligner、aMAP和ClearMap等同类算法精度（P<0.05）。（2）针对介观水平脑图像数据“自动配准”的需求,构建了基于卷积神经网络的三维脑图像配准方案（DeepMapi）。通过构造全新的变体区块神经网络配准模型,实现了形变场参数的高效预测;提出了自反馈的训练机制,通过对不同难度训练样本进行精准式的特训,解决了由于形变分布不均匀导致训练样本不均衡的问题;设计了双层级的神经网络配准结构,通过生成新的训练标签,显著提高模型同时对大、小形变的普遍适用性。本方法实现了碘化丙啶（Propidium Iodide,PI）染色的三维介观小鼠脑数据的全自动配准,在脑区级别能达到0.90以上的配准精度,在140个核团的平均配准精度为0.82,远优于Voxel Morph、AVSM和RDMM等深度学习配准方法的精度（P0.05）。整合上述三种配准方案,针对实际应用过程中不同数据的配准需求,构建了介观脑图像协同配准框架。通过配准框架中人工配准模块、智能化配准模块、特征提取模块,三个模块的相互协同合作,实现了本框架在小鼠脑特定类型神经元分布、小鼠脑特定脑区神经元投射、大鼠脑数据和猕猴脑数据配准的应用。综上所述,本研究所提出的配准方法以及配准框架,能够为多物种的脑信息数据提供高质量、高效率的空间定位方案,是构建介观水平神经联接图谱研究中不可缺失的一环。