神经突触连接组的绘制是理解大脑工作原理，探究脑疾病发生机制的重要手段。随着序列扫描电子显微镜成像技术的快速发展，解析神经元间的三维突触连接，绘制纳米尺度的大脑线路图已成为可能。然而，不同的脑区组织以及成像方式均有可能导致特异性的数据特点和表现形式，直接应用相同的深度学习算法难以取得满意的效果。

基于扫描电子显微镜序列图像，本文首先基于卷积神经网络构建了神经突触连接组的算法基础，包括突触、线粒体的自动重建算法以及神经元的自动追踪算法。随后，面向小鼠听觉系统不同功能环节的具体科学问题，针对不同脑区、不同成像方式的数据设计了定制化的识别算法，以满足不同场景任务下的重建需求。最后，基于上述算法分别探究了小鼠耳蜗带状突触和听觉皮层多位点突触的组织结构和连接模式，为神经突触实现精细的功能调控提供了结构性的证据。论文的主要成果和贡献如下：

1. 提出了一种基于卷积神经网络的两步式突触、线粒体识别算法。
为了解决现有突触识别算法不适用强各向异性数据的问题，本文提出了一种新型的两步式突触识别算法：首先应用 Mask R-CNN 在序列图像上检测和分割突触，之后利用突触在相邻层间的连续性设计了 3D connection 算法，实现了强各向异性数据中突触的快速和准确重建。在 Syn-SEM 数据集上验证算法的有效性，本方法的检测性能（精确率： 73%，召回率： 72%）均优于其他方法。针对现有方法对狭长线粒体检测不完整的问题，本文基于两阶段式的目标检测网络设计了一种迭代分割子网络，通过自动的迭代分割检测准确的线粒体膜边界。在 Mito-SEM 数据集上，本方法的分割性能（精确率： 94%，召回率： 84%）超过了目前大部分算法。最后，应用上述算法重建了小鼠皮层 40 × 40 × 50 um³中所有的突触和线粒体，并在结构上统计和验证了突触在三维空间的随机分布，以及线粒体间精细的纳米管道结构的存在。

2. 提出了一种基于 convLSTM 的神经元追踪算法。
针对现有神经元追踪算法自动化程度不高或不适用于强各向异性数据的问题，本文结合 2D 卷积神经网络和 convLSTM 设计了一种神经元追踪网络，同时学习层内和层间的特征，避免了 3D 卷积操作带来的特征空间和图像空间尺度不一致的问题。在训练过程中，引入一种新型的迭代训练模式，通过模拟真实场景的数据，一定程度上降低了追踪过程中的误差累计。针对大体量数据中局部配准精度不高的问题，设计了一个基于深度特征的偏移估计和校正模型，实现了追踪过程中的实时局部配准。该方法在 SEM 数据集和 CREMI 数据集上的 ARE 和VI 指标均超过了现有的神经元追踪方法，证明了该算法的有效性。

3. 面向小鼠耳蜗带状突触，建立了一种基于 3D Detection Network 的突触识别算法，量化分析结果发现了异质性突触功能精细调节的结构性证据。
耳蜗作为听觉系统的感受器，可以将声音信号转换成电信号，而内毛细胞就是耳蜗中负责声音感知的一类细胞。然而，目前内毛细胞中带状突触和其他细胞器间的结构联系尚不清楚。本文采用序列断面扫描电子显微镜这一成像技术来探究小鼠内毛细胞的亚细胞结构，并结合成像特点应用 3D 卷积神经网络设计了多类超微结构的自动识别算法。针对带状突触特殊的生物学结构特征，本文创新性地提出一种 3D Detection Network 实现了带状突触的自动识别和重建，识别精确率和召回率分别为 92% 和 88%。对于内毛细胞中线粒体的重建，本文设计了一种基于 3D U-Net 和 3D connection 算法的自动重建流程，分割精确率和召回率均达到 97%。将上述算法应用到两只小鼠耳蜗的电镜数据中，共获得了 34 个完整的内毛细胞，并对两排内毛细胞交错排列的方式进行了定量化的描述。对带状突触和线粒体进行全细胞范围内的结构量化，结果显示带状突触梯度和线粒体组织模式在两排细胞间存在显著差异，相关性分析揭示了带状突触和线粒体间“位置特异”的相关性关系。

4. 面向小鼠听觉皮层多位点突触，建立了一种多位点突触快速定位和分类的算法，量化分析结果发现一种特殊的突触连接模式与恐惧记忆相关。
听觉皮层作为听觉系统的信息处理中心，突触连接模式的变化为听觉记忆的编码和存储提供了结构基础。已有的研究表明新形成的突触可能与旧突触共存构成“一对多”或“多对一”的多位点突触，然而这种特殊的突触连接模式与记忆到底有何种关系并不清楚。本文以小鼠听觉恐惧学习为实验范式设置实验组和对照组，采用序列切片电子显微镜成像技术获得了 3 组小鼠听觉皮层共 2.8× 10⁵um³数据，应用两步式突触识别算法自动重建了超 160,000 个突触，并结合多种超微结构特征设计了多位点突触的定位和分类算法。统计结果显示听觉恐惧学习没有改变突触的分布密度，但“一对多”的多位点突触比例显著增多。神经元密集重建结果显示这种“一对多”的多位点突触有 85% 以上都连接到了不同树突主干上。建模结果显示这种多树突的突触连接模式大大提高了信息存储容量，可能代表了一种新的突触记忆模式。