核磁共振成像(MRI)能够以非入侵的方式获取个体内部的构造影像,弥散张量成像(DTI)作为核磁共振成像的特殊形式,通过捕获水分子的扩散提供了对脑白质微结构组织的无创评估。对以上两种影像数据的定量分析对认知人体内部构造、研究个体发育状态、临床疾病预防和诊断具有非常重要的意义。一般对数据进行定量分析之前,需要先将不同个体或者同一个体不同时间采集的图像配准到同一空间,而传统的基于体素的灰度域配准方法存在计算量大、需要模板先验和无法避免配准误差的问题。因此,本论文针对上述问题提出了定量分析医学图像数据的新思路:首先,针对幼儿纤维发育分析,本论文提出将DTI中交织缠绕的白质纤维分离成单一纤维束,然后在本地空间中对来自不同主体的同一类型的束进行统计分析,以避免来自配准算法的平滑误差;另外,关于脑部MRI的配准问题,提出利用标识点间的几何相关性建立隐式回归模型定位脑部标识点以解决计算繁琐和需要模板先验的问题。针对纤维分割工作,最近发表的密度峰值(DP)聚类算法,在没有任何现有模板的情况下聚类结构复杂的白质纤维依然具有很强的鲁棒性。但是最核心的密度计算步骤非常耗时。本论文提出了一个快速密度峰值聚类算法(FDP),将密度和关键参数的全局计算转换成局部计算,并开发了一种二叉树结构来有序地存储这些局部计算的近邻,从而实现对原算法中的密度计算步骤的加速。通过在合成数据和JHU-DTI数据集上进行的实验及比较提出的快速算法与现有经典聚类方法的结果,可以验证FDP算法的效率和有效性。最后,对幼儿纤维发育的分析结果也证明了所提出的算法在幼儿白质纤维发育分析中应用的可行性和合理性。针对人脑标识点定位工作,最近提出的基于回归的(包括深度网络)方法通常学习从输入特征到单个标识点位置或变换参数的映射。这些方法忽略了标识点之间的几何相关性,从而导致定位不准确,尤其是对于边界由一组标识点组成的分割功能区域。本研究为三维MRI图像上的标识点建立形状能量,并学习该能量的梯度回归。本文提出的方法加快了迭代梯度计算并准确检测大脑标识点。通过对两个经典标识点(前连合(AC)和后连合(PC))的定位验证了算法的有效性;最后将提出的回归模型应用于定位OASIS T1加权MR数据集上的三个功能区域边界,并取得了优于现有算法的定位结果。