脑胶质瘤是最常见的原发性中枢神经系统肿瘤之一,具有极高的发病率和致死率。核磁共振成像(Magnetic Resonance Imaging,MRI)能对大脑软组织进行高空间分辨率和高对比度成像,是医生进行脑结构分析的最佳选择,因此在临床上被广泛使用。图像分割是脑肿瘤研究的关键步骤,其为后续诊断和治疗提供指导依据。然而手动分割是一项十分费时费力的工作,且严重依赖于医生的经验。由于脑肿瘤形状多变、结构复杂以及类别极不平衡等特点,传统的图像分割算法如区域生长和像素分类等往往很难获得令人满意的分割效果。因此自动脑肿瘤分割算法的研究仍是一项十分具有挑战性的任务。近年来,随着深度学习技术的飞速发展,人工神经网络被广泛的应用于医学影像分割,并取得了很好的效果。本文以全卷积神经网络为基本框架,设计适用于脑肿瘤分割的网络模型,主要做了如下研究:1、受启发于脑肿瘤特殊的层级结构,第三章提出了一种高效的级联U形网络(Cascaded U-shape Net,CU-Net),由粗至精、顺序地分割出脑肿瘤及其内部子结构;级联设计会大大增加网络深度,不利于信息和梯度的传递,引入残差结构和跨级联接来缓解该问题;其次针对脑肿瘤数据中的样本不平衡问题,采用Dice损失函数来训练网络。2、第四章中,针对核磁共振的三维成像特点,引入了3D卷积,将级联U形网络拓展为3D结构,从而有效地利用MRI图像的三维空间信息。实验表明,相比2D网络,3D的网络在时间效率和分割准确率上都表现出了明显的优势。3、为进一步改善网络性能,第五章提出了一种新的跨级引导的注意力模块CNGA(Cross-net Guided Attention)。第一级网络定位出脑肿瘤的区域,并通过CNGA自适应地引导下一级网络进行空间上的注意力聚焦,从而更精准地分割出肿瘤内部子结构。另外,针对Dice损失函数的不稳定性,提出了一种性能更好的加权Dice损失函数(WDL)来训练网络。同时,根据肿瘤的层次结构信息设计了一种用于脑肿瘤分割的结构正则(SR)方法来约束网络的预测过程,从而减少误检的情况。以上各个模型和算法均在Bra TS18和Bra TS19数据集上进行了系统性的实验。与公开的最先进的方法相比,本文提出的算法取得了非常有竞争力的表现。