A main goal for understanding how the brain works is the description of the network of brain connections or the human brain connectome. The basic elements of the connectome are regions of gray matter (GM) formed by neuronal brain bodies (somas) and the connections (axons) between them formed by the white matter (WM) neuronal fibers. Currently, diffusion-weighted Magnetic Resonance Imaging (dMRI) techniques with High Angular Resolution Diffusion Imaging (HARDI) have improved the quality of tractography datasets concerning Diffusion Tensor Imaging (DTI). Tractography data are complex and contain noise and artifacts, so they require computational methods capable of processing them efficiently and extract useful information. Therefore, this thesis proposes the development and implementation of several methods to process the brain tractography data and through them provide analysis tools for study the brain structural connectivity. Among them, we contributed to the improvement of a clustering of white matter fibers, to the labeling of the superficial white matter bundles, to the development of a method for the parcellation of the cortical surface from short and long segmented bundles for a group of subjects, and to the development of complementary methods to carry out the individual parcellation. We collaborated in the development of an efficient clustering of white matter fibers that was evaluated in terms of quality and execution time against other state-of-theart methods, giving as a result 8.6 times more speed than the most efficient method. Moreover, we created a method which performs intra-subject labeling of superficial white matter fibers in 3.6 min, and two inter-subject labeling methods. One is based on matching and obtains good correspondence but little reproducibility with an execution time of 96 s. The other one focused on clustering that obtains good correspondence and reproducibility among subjects achieving a short execution time of 9 s for a subject. On the other hand, a method for cortical surface parcellation which creates parcel atlases was developed. Then, two generated parcellations were compared with stateof-the-art methods, finding a degree of similarity with dMRI, functional, anatomical, and multi-modal atlases. The best comparison was between our parcellation composed of 185 sub-parcels and another dMRI-based parcellation, obtaining 130 parcels in common for a Dice coefficient ≥0.5. The parcellation composed of 160 parcels achieves a reproducibility across subjects of ≈0.74, based on the average Dice’s coefficient between subject’s connectivity matrices, rather than ≈0.73 obtained for a macroanatomical parcellation of 150 parcels. In addition, two complementary methods were developed to perform individual cortical parcellations, one based on clustering and the other based on the geodesic distance, the latter obtains a parcellation of 350 parcels in 18 s for the atlas-based mode and 82 s for the whole cortex mode. Moreover, it obtains better reproducibility against two state-of-the-art methods with a difference of 0.024 and 0.043 according to the Dice coefficient. This thesis contributes to the development of efficient computational methods for the study of brain connectivity that can be applied to high-quality and large databases, capable of dealing with the noise present in the tractographies. In addition, thanks to this research, these methods can be used by neuroscientists, neuroanatomists, and neurologists to study and develop new studies of brain connectivity and to obtain more answers about the structure of the brain and its connectivity.Un objetivo principal para entender cómo funciona el cerebro es la descripción de la red de conexiones cerebrales o el conectoma cerebral humano. Los elementos básicos del conectoma son las regiones de la materia gris (GM) formadas por los cuerpos neuronales del cerebro (somas) y las conexiones (axones) entre ellos formadas por las fibras neuronales de la materia blanca (WM). Actualmente, las técnicas de Resonancia Magnética por Difusión (dMRI) con Imágenes de Difusión de Alta Resolución Angular (HARDI) han mejorado la calidad de los conjuntos de datos de tractografía relativos a las Imágenes de Tensor de Difusión (DTI). Los datos de tractografía son complejos y contienen ruido y artefactos, por lo que requieren métodos computacionales capaces de procesarlos eficientemente y extraer información útil. Por consiguiente, esta tesis propone el desarrollo y la aplicación de varios métodos para procesar los datos de la tractografía cerebral y, a través de ellos, proporcionar instrumentos de análisis para estudiar la conectividad estructural del cerebro. Entre ellos, se ha contribuido a mejorar la agrupación de las fibras de materia blanca, a etiquetar los fascículos superficiales de materia blanca, a desarrollar un método de parcelación de la superficie cortical a partir de fascículos segmentados cortos y largos para un grupo de sujetos, y a desarrollar métodos complementarios para llevar a cabo la parcelación individual. Se colaboró en el desarrollo de un eficiente clustering de fibras de materia blanca que se evaluó en términos de calidad y tiempo de ejecución frente a otros métodos del estado del arte, dando como resultado una velocidad 8,6 veces mayor que el método más eficiente. Además, creamos un método que realiza el etiquetado intrasujeto de las fibras superficiales de materia blanca en 3,6 min, y dos métodos de etiquetado intersujeto. Uno se basa en matching y obtiene buena correspondencia pero poca reproducibilidad con un tiempo de ejecución de 96 s. El otro se centró en clustering, obteniendo buena correspondencia y reproducibilidad entre los sujetos logrando un corto tiempo de ejecución de 9 s para un sujeto. Por otra parte, se desarrolló un método de parcelación de la superficie cortical que crea atlas de parcelas. A continuación, se compararon dos parcelaciones generadas con métodos del estado del arte, encontrando un grado de similitud con los atlas dMRI, funcionales, anatómicos y multimodales. La mejor comparación fue entre nuestra parcelación compuesta de 185 subparcelas y otra parcelación basada en dMRI, obteniendo 130 parcelas en común para un coeficiente de Dice ≥ 0.5. La parcelación compuesta de 160 parcelas logra una reproducibilidad entre sujetos de ≈ 0.74, basada en el coeficiente de Dice entre las matrices de conectividad del sujeto, en lugar de ≈ 0.73 obtenido para una parcelación macroanatómica de 150 parcelas. Además, se desarrollaron dos métodos complementarios para realizar parcelas corticales individuales, uno basado en clustering y otro basado en la distancia geodésica, este último obtiene una parcelación de 350 parcelas en 18 s para el modo basado en atlas y 82 s para el modo de corteza completa. Además, obtiene una mejor reproducibilidad frente a dos métodos del estado del arte con una diferencia de 0,024 y 0,043 según el coeficiente de Dice. Esta tesis contribuye al desarrollo de métodos computacionales eficientes para el estudio de la conectividad cerebral que pueden aplicarse a bases de datos de gran calidad y tamaño, capaces de tratar el ruido presente en las tractografías. Además, gracias a esta investigación, estos métodos pueden ser utilizados por neurocientíficos, neuroanatomistas y neurólogos para estudiar y desarrollar nuevos estudios de la conectividad cerebral y obtener más respuestas sobre la estructura del cerebro y su conectividad.