脑胶质瘤是最常见的中枢神经系统恶性肿瘤,严重危害了人类的生命健康。对脑胶质瘤进行准确的分子分型分类有助于患者和医生选择合适的治疗方案,有着重要的临床意义。病理图像和核磁共振图像作为两种不同模态的医学图像,分别反映了脑胶质瘤器官和细胞级别的肿瘤特征。但现有的计算机辅助算法对这两者的分析依然存在诸多挑战。病理图像是脑胶质瘤诊断的金标准,但计算机辅助病理图像分析算法存在染色差异导致模型泛化性差、细胞核边界模糊导致细胞核分割不准确、图像分辨率过大难以获取有用信息等问题。对于核磁共振图像,现有的算法需要事先进行分割操作,且往往只利用了单序列核磁共振图像的信息。此外,这两种模态医学图像的图像特征、分辨率和所反映的肿瘤信息都差异巨大,这使得它们的联合预测尤为困难。面对上述挑战,本文进行了以下工作:（1）为了解决病理图像染色差异的问题,本文设计了一个基于自监督学习的病理图像染色归一化网络。该网络使用了数字重染色机制,最大限度的保护原图像的纹理结构。同时,网络不需要配对的训练图像,可以在任意场景下进行部署。并且,该网络在多个公开数据集上实现了目前最优的染色归一化性能。（2）为了解决细胞核分割不准确的问题,本文设计了一个基于多任务学习的病理图像细胞核分割网络。该网络无需进行染色标准化,并且对细胞核边界敏感。此外,本文设计了一种渐进式的特征融合模块,用于融合来自多领域的特征。该网络在多个公开数据集上取得了目前最优的分割效果。（3）为了解决多模态医学图像融合难的问题,本文设计了一个基于多模态医学图像的全自动脑胶质瘤分类模型。模型全自动地融合病理和核磁共振这两种模态的医学图像后,对脑胶质瘤分子分型做了出准确的预测。此外,该模型在CPM-Rad Path 2020MICCAI国际挑战赛上进行了验证,取得了第五名的成绩。