脑科学研究已经成为当今最热门的研究话题之一。脑神经系统的研究能提高人类对大脑高智能高效率的认知，对人工智能、细胞生物学和生物信息学等相关领域都有重要的推动作用。所以，对非介入式脑神经影像技术的研究有着重要的现实意义。　　弥散张量成像（Diffusion Tensor Imaging，DTI）是目前唯一能无创绘制活体大脑的白质神经纤维通路的磁共振成像（Magnetic Imaging Resonance，MRI）方法，能够从若干特征参数的变化反映中枢神经系统的异常改变。然后由于目前还没有对DTI图像量化分析的统一、完善方法，使得本来功能强大的DTI技术在临床并不能发挥其应有效能。出于对现有DTI技术局限性的考虑，需要引入一种新的技术理念来解决DTI技术的固有缺陷。磁共振指纹识别（Magnetic Resonance Fingerprinting，MRF）预先利用随机采样模式，实现基于对具有不同磁共振频率和移动目标物质的空时信号区分。基于MRF的理念，本文提出研究开发一种基于磁共振DTI的脑神经指纹技术。　　脑神经指纹技术经过对DTI数据预处理，通过神经磁共振指纹手动提取平台与脑神经病灶的半自动、自动定位方法，能够提取到目标神经位置的随扫描梯度同步变化的相关信息，建立与神经生理性质一一对应的指纹特征，从而实现从空间到性质对脑神经的量化分析。在此基础上，本文开发了相应的模式识别的方法，利用PCA降维法，选取不同的相似性测度与机器学习算法对DTI数据进行聚类分析，实现脑神经指纹技术对DTI数据处理的整体流程。　　本文将脑神经指纹技术应用于脑梗塞病灶检测，聚类结果显示基于余弦距离相似性测度的脑梗塞病灶指纹的手动ROI聚类结果和诊断报告的预分类完全一致。由于传统的磁共振脑成像的可视化纤维信息无法区分脑疾病的病例发展阶段，DTI脑神经指纹识别技术弥补了传统的磁共振脑成像欠量化的缺陷，显示出了其独特优势，充分证明了脑神经指纹识别思想的可行性。此外，本文对脑神经信号模式变化特征的探索为脑神经指纹字典库的建立打下了坚实的基础。