大脑神经元的数字化重建是神经科学研究的重要内容,对理解神经系统的连接关系、构建大脑连接图谱至关重要。当前,大脑神经元重建工作主要依赖人工手动或半自动重建,是神经元数据分析流程中最为耗时和最耗费人工的环节之一,这极大地阻碍了对神经元数据的深入挖掘和分析处理。由于大脑神经元图像中存在间隙,自动重建算法产生的大脑神经元重建结果可能不完整,产生未重建的分支,所以需要在后处理时进行修复。因此,本文提出了一个基于多尺度改进发散射线模型（Multi-scale upgraded ray-shooting model,MUR）和基于MOST（Microoptical sectioning tomography）重建算法的修复算法来自动检测和修复初始重建结果中未重建的分支。主要研究内容如下:首先,本文提出通过MUR在拓扑特征点附近检测未重建的分支。拓扑特征点包括从大脑神经元图像中提取的分支点和从初始重建结果中提取的末梢点。其中,分支点由改进发散射线模型通过剔除候选点周围不相关的像素信息来检测。MUR在拓扑特征点周围计算分支方向向量以检测未重建的分支并为后续修复流程提供种子点。具体地说,若分支方向向量指向未重建区域则视为未重建的分支向量,且将该分支方向向量指向点作为后续修复过程的种子点。其次,本文提出一种基于MOST重建算法的修复算法来修复检测到的未重建分支。与原MOST重建算法相比,一方面,将检测到的分支方向向量设置为初始重建结果方向,然后通过拒绝返回到已重建区域的节点来防止冗余重建;另一方面,在不连续区域采用沿重建轨迹跨越间隙策略完成重建,当遇到间隙时,如果在沿着追踪轨迹的圆锥体区域内可以提取前景体素,则将提取的体素进行聚类并作为一个新的节点。最后,通过评估在Big Neuron数据集和SNIWMB数据集上的5个不同重建算法的修复结果,本文发现本方法能够有效地修复不同重建方法中的未重建分支。定量分析实验和视觉对比结果均表明,经过修复后重建结果的所有性能指标都得到了改善,该方法有助于生成更可靠的重建结果。并且,本方法已在Vaa3D生物医学分析平台中实现为一个插件,用户可以有效地修复未重建的大脑神经元分支,并将结果可视化。