本文主要研究大规模脑图谱重建流程中的3D电子显微镜神经图像交互式分割问题。脑图谱(或称神经回路)是理解生物大脑工作原理,揭示生命运行机制的关键,而脑图谱重建是生物和计算机科学交叉研究的前沿热点。目前,大规模、高密度的脑图谱重建基于电子显微镜技术。相比于光学显微镜,高分辨率的电子显微镜一方面可以帮助我们获得更丰富的神经回路细节,另一方面也大大增加了神经图像的规模。相关文献指出,在基于电镜的脑图谱重建流程中,大规模神经图像的分割问题已经成为当前限制脑图谱重建规模的关键性瓶颈。虽然已有不少工作对电镜神经图像的自动分割问题进行了研究,然而出于分割精度和质量控制上的考虑,这类自动分割算法通常只被用作初始化步骤,提供初步分割结果。高质量的分割结果由人类操作员使用交互式分割工具对初步结果进行修正而获得。由于巨大的数据规模和当前交互式分割工具设计上的问题,该过程十分耗时耗力。可见,设计一款高效的、能够应对大数据挑战的电镜神经图像交互式分割工具是当前脑图谱重建领域具有重要意义的工作。对此,本文提出了一种层次化的交互式分割框架。该框架:(1)通过树形结构对分割过程进行分解,将基于原始体素的分割过程拓展到基于超体素和面向超体素的分割过程,并为这两种过程设计了低时延(GB级以内数据的响应时间小于10s)、高精度的交互式分割算法和时空复杂度优越的分割数据压缩算法(GB级数据的平均压缩率约为80倍);(2)针对经典分割算法难以处理的复杂分割场景,提出了一种基于主动学习策略的、嵌入人类先验知识的深度交互式分割网络。该分割网络能够显著减少复杂分割场景下的交互次数(约3倍),提高交互效率;(3)针对计算密集型分割任务的运行和管理问题,提出了一种高拓展性的计算服务模型,并实现了一个深度交互式分割网络计算服务实例。基于计算服务模型,用户能够方便地为交互式分割框架在线地、动态地添加新算法。实验结果表明,在普通的个人PC上,使用本文提出的交互式分割框架能够对数百M~GB级的电镜神经图像进行实时地、高效地交互式分割。总的来说,本文为大规模3D电子显微镜神经图像的交互式分割问题提出了一套高效、完整、可拓展的解决方案。