大脑是人体神经系统的中枢结构,解析大脑神经回路是现代脑科学研究的核心目标之一。大脑神经回路的研究对脑疾病的治疗和人工智能的发展具有重要的指导意义。神经回路由海量神经元通过相互间建立突触连接构成,因此推断神经元的突触连接是解析神经回路的关键。单神经元突触结构的识别有助于神经科学研究者获取神经元上突触的具体位点和数量,进而对神经元间信息的传递模式进行量化和分析。当前主要是通过电镜图像识别突触,但是电镜难以对厘米范围的单神经元完整形态进行成像,只能获取神经元局部的突触。光镜成像的亚微米分辨的全脑神经元形态数据为获取单神经元完整的突触提供了可能,然而目前基于光镜图像的神经元形态重建研究主要集中在突起骨架追踪上,缺乏对轴突扣结（轴突突触在光镜图像中表现为轴突扣结的形态,axonal bouton）识别的深入研究。现有的少量轴突扣结识别研究受限于其方法原理,一般只能用于神经元局部轴突图像且识别精度有限。针对上述需求和现状,本文发展了单神经元完整轴突扣结识别的方法体系,并应用这一方法体系对单神经元轴突扣结的空间分布特征进行了初步研究。（1）建立了基于密度峰聚类的神经元点状结构识别方法,为单神经元轴突扣结识别奠定了方法基础。本文通过设计局部搜索策略和定义尺度关联的局部密度,发展了适用于大体积三维神经图像内点状结构识别的方法。通过胞体的识别实验验证了密度峰聚类识别方法对识别三维神经图像内点状结构的有效性。通过对仿真的点状结构数据的识别分析了本文方法的内在特性,包括分割粘连点状结构的有效性、对尺度参数的鲁棒性和近似线性的时间复杂度。通过对局部三维图像内轴突扣结的识别实验,验证了密度峰聚类识别方法可以用于轴突扣结的初步识别。（2）建立了整合密度峰聚类和卷积神经网络的单神经元轴突扣结识别方法。首先分析了神经元轴突扣结的形态特点和密度峰聚类识别方法在识别轴突扣结上的挑战,然后结合这些形态特点建立了基于两步识别策略的单神经元轴突扣结识别方法:基于密度峰聚类算法的轴突扣结初识别和基于卷积神经网络模型的轴突扣结二次识别。本文根据轴突扣结的形态特点,设计了一个卷积神经网络结构,该网络能有效表征轴突扣结的形态特点进而帮助区分轴突扣结和非轴突扣结的膨大结构。卷积神经网络的引入解决了密度峰聚类识别方法难以精确刻画轴突扣结形态的不足。在多种数据集上本文方法均取得了约0.9的正确率和召回率,证明了本文方法识别单神经元轴突扣结的有效性。本文进一步设计双色成像实验验证了本文识别的轴突扣结和蛋白特异标记的轴突突触的高度相关性,约80%的轴突扣结能找到对应的蛋白标记的轴突突触。（3）应用上述建立的识别方法,本文实现了对单神经元轴突扣结空间分布特征的量化分析。对多个锥体神经元的轴突扣结的空间分布特征进行了量化研究,包括轴突扣结在不同脑区的分布特征、轴突扣结子类的分布特征和轴突扣结的空间线密度特征。研究表明不同脑区内轴突扣结的数量、轴突扣结间距等是极具差异的;根据神经元在不同脑区内轴突扣结的分布模式差异,归纳了5个子类;发现了神经元的投射纤维长度和轴突扣结数目不构成严格的线性关系。本文建立的单神经元轴突扣结识别方法将神经元重建研究从初步的骨架追踪推进到突触水平的单神经元精细形态重建,进而帮助神经科学研究者更确切地获取神经元信息的传递节点和更全面地解析神经回路的信息传递模式、细胞类型、突触可塑性等。本文建立的轴突扣结分析工具已经被同课题组生物学同事初步应用。