研究脑空间信息学，特别是MOST/fMOST成像平台获取的TB级（十万亿字节规模）海量神经光学图像大数据，研究相应的图像处理、分析、可视化、管理的方法，致力于在软件层次建立相关研究平台，解决如何处理和利用大规模的全脑三维显微图像数据的瓶颈难题。
1、海量神经光学图像的高性能计算
如何校准在长时间的制样和成像过程中造成的信息失真，对海量神经光学图像的原始数据进行处理，是进行自动化分析的基础。主要需解决三方面的问题：去除原始数据中图像亮度不均、条纹噪声等干扰信息，对图像进行复原，实现数据点强度的校准；通过三维的变形，将来源不同的脑组织数据向标准脑图谱进行配准，实现数据点空间位置的校准；对图像处理算法的执行效率、并行性等进行高性能优化，实现10/100TB量级，甚至PB级海量图像数据的快速处理。
2、深度学习在脑空间信息学中的应用
对脑结构信息进行识别的目的是将图像转换为计算机能够处理的矢量化数据，为自动化分析提供基础的研究数据。由于高分辨率的精细神经图像的数据量巨大，急需发展自动识别的技术以代替低效的传统人工识别。脑微细结构的自动识别是国际同行公认的难题，主要瓶颈是脑图像数据中包含了密集的、形态多样的神经、血管等各种复杂的信息。本研究方向需要解决如何自动划分全脑、脑区、核团，如何自动识别神经元的完整形态，如何对长程投射的轴突进行自动追踪等问题。
3、脑网络结构的定量分析和模拟
利用已矢量化的脑精细结构数据，我们首先可以通过定量分析，研究网络的特征、神经-血管偶联、结构的差异性等问题。更进一步，脑网络是脑功能的结构基础，通过建立基础的脑网络结构模型，再逐步加入其它层次和尺度的神经生物学信息，可以进行“自下而上”的类脑神经网络的计算模拟研究。
4、基于空间多组学的生物信息研究
利用三维形态学测量所提供的准确空间位置信息，开展单细胞水平的蛋白质组和转录组研究。基于这些多维度的信息，建立更准确的细胞分型标准，在单细胞水平实现全脑三维空间内的神经元分型，为绘制完整的全脑介观神经网络连接图谱，并将其应用到临床诊断治疗或类脑人工智能等领域提供有力支撑。
5、脑空间信息的可视化
在计算机时代，可视化是科学数据与科学家之间的连接纽带。面对普通电脑和生物医学图像处理软件所无法承受的海量脑网络数据，我们需要逐步解决：如何让神经科学家能够快速、方便浏览研究海量的脑图像？如何让科学家使用熟悉的工具处理和分析，交互式的处理和分析这些数据？如何解决海量数据与有限的计算资源和数据传输带宽之间的矛盾？