大脑是生物体内结构和功能最复杂的组织，其中包含上亿个神经元。神经元是大脑的基本组成单元，可以通过对神经元的研究来探索大脑的奥秘。几何形态多样性是神经元的重要特征，同时也是研究神经元连接和单个细胞信息处理的基础。对神经元进行三维重构研究具有重大意义:一方面可以根据重构神经元研究神经元的几何形态、发育过程和结构功能;另一方面可以对重构神经元提取形态学特征，利用形态学特征对神经元进行识别研究。　　本课题是关于神经元三维重构及其形态学识别的研究，主要包括以下三方面内容:　　(1)在神经元三维重构研究方面，针对MST方法的重构结果受噪音影响较大、存在断点等问题，提出了快速行进生成树方法(Fast marching spanning tree，简称FMST)，该方法通过建立初始连接图、删除冗余节点、生成最小生成树、重连接、枝干平滑得到神经元的重构结果。实验在两个神经元数据集上分别比较了FMST与MST、Most、Simple、meanshift重构结果的距离指标及三维图像，实验结果表明与其它四种方法相比，FMST方法在重构性能上有较明显优势。　　(2)在神经元形态学聚类研究方面，对标签传播算法加以改进，使它成为一种无监督的聚类算法。实验数据包含379个神经元，首先使用NeuTu计算神经元的相似度矩阵，然后对相似度矩阵进行预处理，最后利用改进的标签传播算法进行聚类。实验结果表明准确率、召回率相比AP聚类算法提升显著，并且可以发掘潜在的簇:其一是不同类别中具有相似形态的样本聚到同一个簇;其二是同一类别中形态相差较大的样本聚到不同的簇。　　(3)在神经元形态学分类研究方面，根据神经元的形态学特征对神经元进行分类研究。实验数据包含280个神经元，首先提取41个形态学特征，分别利用不同算法对神经元进行实验;然后利用两种特征选择方法进行特征选择，用随机森林算法进行分类;最后分析特征选择所得的形态学特征。实验结果表明随机森林算法的分类准确率高、鲁棒性好，经过基于互信息的单变量特征选择后，分类准确率提升显著;实验所得的形态学特征能够显著区分数据集中的神经元。