由于脑胶质瘤是一种颅内原发性肿瘤,且恶性脑胶质瘤约占脑部恶性肿瘤的81%,且致死率很高,因此,尽早地发现和诊断脑胶质瘤并制定高效的治疗计划是提高患者存活率的关键。虽然医生能够通过人工标注MRI影像的脑胶质瘤来确定肿瘤区域的位置和大小,但是人工标注往往耗时耗力且带有很大的主观性。为了提高诊断的一致性、准确性和高效性,基于深度神经网络的脑胶质瘤分割算法得到越来越多的关注。然而,目前基于深度神经网络的脑胶质瘤分割方法仍存在一些问题,如MRI影像的灰度分布不均匀、脑胶质瘤的边界不清晰、脑胶质瘤分割的类不平衡和多模态MRI影像在分割网络输入层融合时的信息丢失等问题。与此同时,大部分的深度学习模型存在参数量过多、复杂度过高、计算效率过低等问题,而且医学影像占用很大的数据存储空间,导致脑胶质瘤分割网络模型很难在边缘设备实现高效分割。针对这些图像分割问题,本文研究了基于深度神经网络的脑胶质瘤分割算法,主要的创新性成果包括以下几点:（1）提出了一种基于Sigmoid激活函数两极化的加权交叉熵（S-CE）损失和一种梯度增强的复合交叉熵（HEC）损失来解决图像分割的类不平衡问题。为了提高图像分割网络对脑胶质瘤区域的判别性能,S-CE损失通过演变的Sigmoid函数生成交叉熵损失的权重来保留预测错误像素的梯度同时抑制预测正确像素的梯度。不同于S-CE损失,HEC损失是通过指数函数和幂函数来调节交叉熵损失。该损失在DNN训练过程中不仅抑制预测正确像素的梯度,同时加强预测错误像素的梯度。（2）提出了一种多任务驱动的脑胶质瘤分割方法,该方法能够解决浸润型脑胶质瘤的边界模糊和由MRI影像灰度分布不均匀导致的脑胶质瘤分割结果出现离散的错误分割点问题。根据脑胶质瘤子结构的分层特性,将所提方法的脑胶质瘤网络构建为一种从粗糙到精细的渐进式分割。首先,本文使用整体脑胶质瘤分割任务初步定位脑胶质瘤区域,将其作为脑胶质瘤子结构分割的候选区域。其次,将整体脑胶质瘤分割任务和语义边缘检测任务的特征作为一种指导特征来辅助脑胶质瘤子结构的分割。最后,通过不同任务的特征共享来构建轻量化的深度网络模型。（3）提出一种基于高低频融合和决策级融合的脑胶质瘤分割方法,用于解决多模态MRI影像融合过程中的噪声干扰和特征丢失问题。大部分基于深度网络的分割方法在输入层通过简单的卷积操作来实现具有差异性的多模态信息融合,这种简单的早期融合策略会导致出现对比度削弱、细节丢失和噪声干扰等问题。为了解决这些问题,首先对单模态高低频特征进行第一级决策层分割预测,然后再将中间层的特征和第一级决策层输出的分割图进行第二级决策层融合分割。由于第二级决策层融合分割结合了更多的细节特征,因此,所得到的分割精度高于第一级的分割结果。（4）提出了一种低维特征表示网络来解决MRI影像占用较大存储资源的问题。这种多模态的低维特征表示图所占用的存储空间远远小于MRI影像原始数据。首先,提出一种多模态MRI影像的低维特征表示方法来生成低维MR特征图。相比于全分辨率的MRI影像,低维MR特征图占用较小的存储空间。其次,提出结合脑胶质瘤分割方法与全分辨率MRI影像重建方法实现在低维特征图上的脑胶质瘤精确分割。同时,在脑胶质瘤分割方法中,针对低维MR特征融合存在的细节丢失问题,提出一种活跃性度量模块。该模块通过生成融合权重来对低维MR特征实现内容自适应的加权融合。为了降低编码和解码部分的多分辨率特征冗余,提出一种基于注意力增强的残差融合模块,该模块通过空间和通道注意力机制对融合的特征进行筛选和去冗余,从而抑制不重要的特征。