對大腦白質纖維連接的研究，過去大多通過解剖染色的方法完成。 然而這種方法由於其有創性，只適合於動物的研究，不能用於研究活體人腦。 擴散磁共振成像的興起，使得非侵入性地研究活體人腦的白質纖維成為可能，同時也不會對大腦的內部組織結構造成破壞。 擴散磁共振成像的原理主要是基於水分子的擴散屬性。 由於水分子不能自由出入有髓纖維的髓鞘，因此，水分子在有髓纖維的擴散形式表現出較高的各向異性。
採用該技術可以測量某個體素內各向異性的大小，可以間接反映髓鞘化程度或纖維束的完整性； 根據各向異性的方向，可以追蹤纖維束的走向。 目前基於擴散磁共振成像的纖維追蹤技術已經被廣泛地應用於正常人群和神經精神疾病患者的研究中，以非侵入性的方式觀測白質纖維束的變化。 但是利用擴散磁共振成像和纖維追蹤方法來研究人腦結構連接網絡的組織模式，目前還僅僅處於初步階段。
2007 年，Hagmann 等人利用擴散磁共振成像分析了2 名被試的結構數據，建立了基於個體的包含約1000 個節點的大腦結構連接網絡，並且證實了該網絡具有“小世界”特性，其節點度分佈服從冪律分佈。 隨後，Ituria-Medina 等人利用擴散加權磁共振成像（diffusionweighted MRI）構建了20 個被試的人腦加權結構網絡。 在這項研究中，他們採用了一個先驗的腦圖譜將大腦分為90 個腦區，然後度量了任意兩個區域間的連接概率，進而構建了腦的結構網絡。 網絡分析發現該腦網絡具有“小世界”的性質，腦區節點度分佈服從指數截尾的冪律分佈。 進一步他們發現該網絡中的核心節點主要分佈在杏仁核、楔前葉、腦島、頂葉上部及額上回等區域。
2008 年，Gong等人採集了80 個被試的大樣本擴散張量磁共振數據，採用同樣的腦圖譜將每個被試的大腦皮層劃分為78 個區域，通過設置腦區之間纖維連接數目的合理閾值建立了每個被試的大腦結構網絡，然後得到80 個被試的平均大腦結構網絡。 通過分析，他們發現該網絡為“小世界”網絡，節點度分佈服從指數截尾的冪律分佈，這些結果和Ituria-Medina等人基於擴散磁共振成像的腦網絡研究是一致的。 此外，該研究發現網絡的核心節點主要分佈在大腦的聯合皮層區域，但是最核心的區域在楔前葉和額葉內側區域。 網絡中的大多數核心連接都與核心節點相連，分佈在不同的半球或相同半球的不同腦區之間，為大腦功能的分化和整合提供了結構基礎。
同年，Hagmann等人採用擴散譜成像技術（diffusion spectrumimaging，DSI）技術分別建立了5 個被試的包括998 個腦區和66 個腦區的加權大腦結構網絡，並通過計算網絡的節點度、介數中心度和節點效率從不同的角度描述了大腦結構網絡中的核心區域。 節點度計算結果顯示網絡的核心節點集中分佈在內側頂葉，額葉內側和顳上回等區域； 介數中心度和節點效率分析則顯示網絡上信息傳輸的中心點主要分佈在大腦皮層的內側區域，如楔前葉、扣帶回後部等。 進一步的網絡模塊化分析發現大腦結構網絡可以劃分為6 個模塊，連接不同網絡模塊的腦區（連接子）主要分佈在扣帶回前部和楔前葉等區域，而模塊內部的核心節點則分佈在額葉、顳葉和枕葉內。
最近，Li 等人採用DTI 技術研究了人類個體智力與大腦結構網絡屬性之間的關係。 研究者首先根據韋氏成人智力量表評測並記錄了79 名被試者的總體智力評分（FullScale IQ，FSIQ），然後根據Gong 等人提出的基於確定性追蹤技術構建腦結構網絡的方法獲得了單個被試的腦結構網絡。 通過計算腦結構網絡的屬性並與被試的FSIQ 評分進行偏相關分析，發現腦網絡的屬性與FSIQ 評分顯著相關： 智力評分越高的被試，其腦網絡的邊數越多，平均最短路徑長度越短，網絡的全局效率越高。 這些結果表明，個體的智力水平與其大腦結構的拓撲結構是顯著相關的，大腦結構網絡效率高的被試往往具有較高的智力水平。
Yan 等人也採用了Gong 等人[35]提出的方法探討了大腦結構網絡與性別、腦體積及智力水平的關係，結果發現女性被試大腦結構網絡的局部效率要顯著高於男性被試，並且在女性中，大腦結構網絡的局部效率與腦體積都和智力水平呈現出顯著的負相關。
最近，Gong 等人提出了基於概率的纖維追蹤方法構建人腦結構連接網絡的方法，並研究了年齡和性別對大腦結構網絡拓撲屬性的影響。 他們發現隨著年齡的增長，腦結構網絡的連接密度和全局效率都逐漸減小，效率減弱最顯著的區域集中在頂葉，而額葉和顳葉卻呈現出效率增高的趨勢。 同時，研究者還發現，與男性相比，女性的大腦結構網絡具有更高的連接效率。
利用擴散磁共振成像獲取的數據信息可以無創地重建個體人腦的白質纖維，從而明確腦區之間白質纖維的結構位置和行走特點。 因此，與基於形態學指標的大腦結構網絡相比，基於擴散磁共振數據構建的結構網絡可以更加直觀地刻畫腦區之間真實的結構連接。
然而，由於磁共振成像設備與成像技術的限制，目前大腦白質纖維的重建仍然存在很多問題。 例如，現存的纖維追蹤方法（如基於確定性的追蹤方法）在重建交叉纖維以及較長的纖維時仍有困難，導致腦區之間部分連接的遺失； 另一方面，一些基於概率的纖維追蹤方法雖然可以克服以上困難，但卻會不可避免地重建出一些並不存在的偽連接。因此，如何準確地重建白質纖維就成為了基於擴散磁共振成像構建大腦結構網絡的關鍵所在，也是擴散磁共振成像技術研究的核心問題之一。
