2016年新颁布的神经系统肿瘤分类指南中以异柠檬酸脱氢酶（Isocitrate dehydrogenase,IDH）基因表现型为基础对脑胶质瘤进行系统分类。由于现有基因型诊断技术的周期长且有额外创伤,而核磁共振成像技术（Magnetic resonance imaging,MRI）拥有无创、快速和可重复的优点,将其与人工智能方法相结合能做出人力所不能及的医学判断。所以,本文旨在利用多序列MRI技术,基于传统机器学习和深度学习方法,研究对脑胶质瘤IDH基因型进行无创诊断的算法。在基于传统机器学习的脑胶质瘤基因型诊断研究中,本文构建了一个包括增强T1加权成像（Contrast-enhanced T1-weighted imaging,CE-T1W）、T2加权成像（T2-weighted imaging,T2W）和动脉自旋标记（Arterial spin labeling,ASL）三个序列以及年龄、性别和IDH表现型等临床信息的脑胶质瘤数据集。传统机器学习建模流程如下:首先从各序列的感兴趣区域抽取851维放射组学特征;然后将放射组学特征与年龄、性别一起利用曼-惠特尼U检验、皮尔逊相关性分析以及最小绝对收缩和选择算子（Least absolute contraction and selection operator,LASSO）进行特征筛选;最后用剩余特征训练支持向量机（Support vector machine,SVM）,并评估各单序列和多序列组合的分类性能。在基于深度学习的脑胶质瘤基因型诊断研究中,首先扩充自制数据集的病例数和序列数;然后构建新的三维深度卷积模型,以CE-T1W、T2W、ASL和表观弥散系数图（Apparent dispersion coefficient,ADC）四个序列的感兴趣区域直接输入模型,并在全连接阶段将年龄特征也加入以提升模型性能;此外,将经典深度分类模型和本文所提出的传统机器学习模型在扩增后的数据集上重新训练并测试。基于传统机器学习的实验结果表明,相比于任意单个序列和两个序列的特征组合,CE-T1W、T2W和ASL三个序列的特征组合能最准确地预测IDH基因型;使用多类别特征有助于区分两类IDH;皮尔逊相关性分析的使用能明显提高预测性能;通过与其他先进研究在本数据集上的性能比较确认了本研究方法的优越性。基于深度学习的实验结果显示,自建深度卷积模型对脑胶质瘤IDH基因型诊断的性能优于经典深度模型,次于本文的传统机器学习模型;ADC和临床特征对深度模型分类性能起提升作用。总之,经过在相同数据集下的训练、测试以及与其他研究的比较,自建的传统机器学习和深度学习模型均能根据多序列MRI有效区分两类IDH,但传统机器学习模型的分类性能更优,能为提升临床诊疗水平提供帮助。深度学习模型由于其对数据预处理的需求及数据集容量的限制而导致过拟合的问题不容忽视,仍然有一定提升空间。