大脑作为神经系统的中枢，具有极为复杂的结构和功能。其中大脑白质纤维束负责神经元之间信号的传递交换，从而在大脑功能网络中扮演着极为重要的角色。另外，在大脑的发育过程以及物种的进化过程中，白质纤维束与皮层褶皱模态的形成也极为相关。因此，对白质纤维束的研究也一直是脑科学研究中的热点。然而，到目前为止，少有在全脑上针对这两个问题展开的大规模系统研究。除了缺少有效的联合分析方法外，传统方法中所使用的数据类型，如解剖切片纤维数据等，由于其侵入性等原因，也成为限制研究的一个因素。近年来，特别是随着多模态磁共振成像方法在脑科学用的广泛应用，例如能反映脑组织结构的T1加权磁共振成像（T1-weighted MRI），能宏观反映白质纤维束形态的弥散磁共振成像（dMRI）以及能用来宏观检测脑功能区域的功能磁共振成像（fMRI）等，使得在大规模数据上进行宏观的研究成为可能。因此，本论文以多模态磁共振图像为载体，开发了全新的且被证明有效的多种分析方法，着重对上述两个方面进行了深入的研究，主要研究内容，创新点和结果总结如下：为了研究大脑皮层褶皱和白质纤维束之间的关系，我们首先提出了一下两种算法：大脑皮层褶皱模态的参数化表达算法。该算法建立在T1加权磁共振成像重建表面的局部坐标系上，用多项式对局部表面点阵进行拟合。该算法的创新点在于局部坐标系的使用能够有效的将复杂的局部表面统一到同一空间，从而使它们具有可比性且更易于对它们的褶皱模式进行统一的参数化分析。另外，也使得不同磁共振数据库得到的表面也具有可比性。同时，用多项式拟合来进行的参数化使局部表面得到十分简洁的表达，便于在后续的大规模数据上进行分析，比如数据驱动以及模型驱动的聚类等。大脑表面的褶皱模式最终被聚类为八种基本形态。大脑白质纤维束形态的参数化表达算法。该参数化算法以dMRI重构出来的每一根纤维为个体，通过提出的归一化算法将它们统一到同一空间，并在其上提取了四大类形状描述特征。该算法的创新点在于纤维形状特征建立在以每一个纤维为单位的基础上，使得该算法可独立的运用在不同的磁共振数据得到的纤维上，而不受数据获取参数的影响。另外，将每一根纤维参数化使得进行大规模的跨数据库分析，比如形态的聚类等，成为可能。纤维最终被聚类为四种基本形态。在以上两种算法的基础上，我们采用联合分析的方法对大脑皮层褶皱模态和白质纤维形态进行了大规模系统的分析。我们将联合分析法用在三类灵长类（恒河猴，猩猩和人类）大脑的多模态dMRI数据上，发现纤维形态和皮层褶皱形态非常相关。重要的结论有：在辐射方向上，连接到脑回区域的纤维束密度要大于连接到脑沟区域；在切向方向上，纤维束的走向和脑回的弯曲走向有着显著的相关性；脑沟底部存在着大量的连接到近邻脑回的U型纤维束；相较于直线型纤维束，U型纤维束连接的皮层区域的褶皱模态更为复杂。更为重要的是，这些关于纤维形态和皮层褶皱形态关系的结论在灵长类大脑中普遍存在。另外，在不同的物种的数据上，纤维和褶皱之间关系的强弱程度也存在着一定的差异。这些差异性在一定程度上揭示了不同形态的纤维束在物种进化中的作用。在研究白质纤维束和脑功能之间的关系时，提出了用白质纤维束形态来预测脑功能区域的新方法。通过该方法，我们对具有特定功能的脑区域的白质纤维束形态建立模型，从而能够使用这一模型在新的被试上预测该脑功能区域的位置。该方法的价值不仅仅体现在它进一步证明了脑结构和脑功能之间的紧密关系，也体现在其具有很好的应用前景：仅需要数据量小且代价低廉的脑结构数据便可预测得到较为精准的脑功能区域。而这些功能区域在传统的方法中需要从代价昂贵且数据量极大的脑功能数据上获取。最后，基于上述脑功能区域预测的思想，提出了通过将褶皱形态和纤维束形态信息融合而进一步提高对大脑功能区域位置预测的准确度的全新算法。这一方法有效的提高了大脑功能区域位置预测的准确度，并且同样具有上述算法的应用前景。另外，它也在探索皮层褶皱形态，纤维束形态和大脑功能三者之间关系的道路上迈进了一步。