在全脑尺度上解析神经连接图谱是揭示脑工作原理的重要基础，有利于推动新一代智能产业的发展。使用电子显微镜进行成像的脑微观重建是在纳米尺度上还原神经三维连接的有效方法。目前，随着脑科学和显微成像技术的不断发展，脑微观重建的体量越来越大，脑组织序列切片的数目越来越多。对收集到的大量脑组织序列切片进行快速准确检测是后续进行电子显微镜自动拍摄的重要前提，人工检测会耗费大量人力和时间。本文提出了基于深度学习的脑组织序列切片自动检测算法，能够准确地对序列切片进行检测，为后续电子显微镜自动拍摄提供精确的切片位置，加速自动拍摄过程，同时减少人工参与，节省人力和时间。

本课题作为脑微观重建中自动采集流程的一部分，取得的主要成果包括：1）针对褶皱、破损等异常切片和正常切片因形态相似而不易区分，以及切片之间互相粘连导致边界不清而难以分辨等问题，提出了多频通道注意力机制，通过离散余弦变换得到特征图各个通道不同的频域分量作为通道注意力来加强特征图中的重要信息，增强了网络对切片的识别能力。在自制数据集上的实验结果表明，该方法能够对序列切片实现更加精确的检测。2）针对神经网络在面对新的脑组织序列切片检测任务时，需要重新制作数据集训练网络的情况，提出了一个主动学习算法，通过在原有的网络上添加损失预测模块预测的网络损失以及类别后验概率加权的实例分割掩码不确定度作为样本的价值量，从而只需要标注少量价值量大的样本制作数据集便可使网络达到预期的性能。实验表明，通过该方法只需30%的样本作为数据集便可使网络达到预期性能。3）针对脑组织序列切片自动检测算法在自动采集流程中的应用问题，提出了一套软件系统，能够调用检测算法对序列切片进行检测并将结果输出为后续采集可以直接使用的特定格式，从而将检测算法嵌入到了脑微观重建的自动采集流程中。