扩散张量成像技术(diffusion tensor imaging, DTI)是一种无侵入性的活体大脑成像技术，这种成像技术可以检测水分子在大脑不同区域内的扩散特性，从而提供传统的结构MNI成像技术难以捕捉到的白质纤维束走向的信息。这种成像手段扩展了神经影像研究领域的数据采集、数据分析和处理的手段，丰富了描述人类大脑微观结构的表示方法。基于扩散张量成像的大脑张量图谱构建是神经影像研究框架中的一个非常重要的研究方向。这个研究方向是通过采集大样本集的正常人扩散张量图像数据，进行统计意义上的建模，并构建出包含样本集中正常人解剖结构的共同特性的数字化统计图谱，是检测大脑白质结构形态的基础。目前，国内外相关的研究还处于起步阶段。扩散张量图像在数学意义上是一个三维的二阶张量，所以，对于张量图谱的构建主要涉及到张量模型的构建、张量图像的配准、张量图像的平均算法等问题。本文的研究主要是将基于传统标量结构MRI图像的图谱的构建方法加以改进，然后运用到三维张量图谱的构建中。具体研究的创新点如下：首先，在二阶张量场模型的构建过程中，引入了一种新的EPI序列校正方法对图像进行校正。使用这种校正方法可以在一定程度可以减小DTI图像扫描过程中产生的头动误差及涡流噪声，同时可以增强图像的轮廓信息，以至于能够更精准的构建二阶张量场模型。其次，使用T1结构图像进行医学图像配准，然后将配准参数作用到DTI图像上。由于T1结构图像具有与DTI图像相同的大脑几何学结构信息，并且，相对对DTI图像，T1结构图像具有更强的信噪比，使用T1结构图像进行图像图像配准时，可以得到更精准的配准参数。再次，使用了两种张量图像的平均算法进行图谱构建。由于二阶张量图像结构的特异性，除了一般的线性平均算法以外，我们的研究引入了一种基于Fréchet平均的平均算法对张量图像进行平均。然后，使用多种评估手段对这两种平均算法进行评估。最后，使用一种基于组的正常人大脑张量图谱构建方法进行张量图谱的构建。这种方法构建出样本集中每个个体与平均空间的变换场，并将变换场作用至图像配准过程中。这种方法可以在一定程度上减少样本集中个体样本被试之间的差异，从而更好的体现样本集中正常人解剖结构的共同特性。这种特定研究需求的张量图谱可以减少图像配准的带来的偏差，同时也可以增强统计分析结果的可靠性。