1、神经超薄切片快速成像方法 

目前快速稳定获取大范围神经结构电镜数据的技术能力不足，切片超薄程度要求与连续稳定之间、成像超微精细程度与成像时间消耗之间仍然存在着不得已的折衷。理想的电镜图像应该具备高信噪比、高分辨率、高对比度，同时在生物学上能够明确分辨出生物膜结构、突触囊泡等精细结构。本方向研究能够保存神经突触精细结构的最优制备工艺参数组合、稳定的超薄切片均匀刻蚀方法以及电镜多模态快速成像技术，大幅提升膜结构轮廓清晰度和成像速度，为开展微观尺度脑网络结构自动分析研究提供高品质的显微图像数据。

2、微观尺度脑网络结构数据自动分析 

从突触层面进行神经网络的重建对于理解脑的工作机制是极为必要的，由于缺乏有效的自动处理手段，大范围的突触层面的重构面临着数据规模带来的重构工程量巨大的困难。本方向研究如何利用图像处理和机器学习方法解决脑微观结构重建的高通量自动化数据分析的难题。通过分析大规模神经结构电镜图像处理中存在的畸变校正、特征提取与表示、分类器学习、人工标注与决策等几个关键问题，研究符合神经结构生物学特征的模式识别和机器学习方法，解决序列图像配准、神经结构标注、神经追踪融合等限制分析效率的关键技术，大幅降低人工劳动量，为搭建基于电镜的神经结构重建工程平台提供理论基础和解决方案。

3、高通量脑微观重建技术平台 

如果建立面向全脑规模的微观尺度图谱，则必须在仪器装备和数据处理效率有数量级提升的条件下建立规模化作业的工程平台。本方向利用精密机械控制、图像信号处理、模式识别等技术手段，结合神经结构的生物形态特点，建立符合神经重建工程行为特征的自动化分析方法学框架，突破大规模显微图像获取、精细神经结构自动识别、海量数据管理及显示等的技术瓶颈，构建高通量的脑微观重建技术平台，不断提升三维重建的自动化程度和工作效率，指数级降低重建时间成本和人力投入，推动脑微观重建技术平台在多个学科领域的普及使用。