脑癌是一种致死率极高的癌症,而早期筛查是诊断脑瘤的最佳策略。核磁共振成像（MRI）是脑组织医学成像中最常用的技术之一,该技术可以根据组织特性使用特定的特征序列分离和评估脑肿瘤组织。但是,脑肿瘤组织一般呈散射状,且与脑白质、脑灰质、脑脊液等健康组织的边界模糊,上述情况增加了人工分割脑肿瘤组织的难度。而且,不同的脑肿瘤在形状、大小、机能方面差异较大,这种情况也导致了人工识别和分割脑胶质瘤的过程更繁琐、时间开销更大。而基于深度学习的脑肿瘤图像自动分割技术的研究目前已取得了重大进展,该技术能够更准确、更直接地自动诊断脑瘤组织,并且有利于制定对应的脑瘤治疗方案。本文主要研究自动分割多模态脑肿瘤MRI图像中与脑瘤关联异常区域的方法,该类自动分割方法能够提高分割精度,本文的研究工作主要包括以下几个部分:第一,提出了一种基于混合双轨U-Net（HTTU-Net）的脑肿瘤图像分割算法,HTTU-Net使用U-Net架构,提取了更丰富的语义信息、小尺度脑肿瘤的特征信息,所提算法提高了脑肿瘤的分割效率。首先,通过在每个块的末尾添加批量归一化操作来更新U-Net网络,以减少均值和方差,使深度学习层更稳定。其次,利用不同数量的卷积块、不同尺寸的卷积核构成混合双轨,其中,第一个轨道关注肿瘤的形状和大小,第二个轨道捕捉上下文信息。最后,该算法引入了一种创新性的混合损失计算模块,将Focal Loss和Generalized Dice Loss相结合,缓解了类别不平衡的问题。实验结果表明,与典型的基于U-net模型的分割算法相比,该算法为脑肿瘤图像提供了更全面、更高精度的分割模型。第二,提出了一种基于多Inception模块与残差注意力机制（Multi-Inception Residual Attention）U-Net（MIRAU-Net）的脑肿瘤图像分割算法,该算法提取了丰富的脑肿瘤图像特征,能够获取和恢复大脑肿瘤位置信息,提高了分割效率。首先,编码器和解码器子网络通过Inception-Res路径在MIRAU网络中连接,加深扩展了网络层次。其次,将基于门信号重建模型的跳跃路径转发到注意门,以提高表达和提取特征的能力,并减小编码器和解码器子网络之间的间隙。最后,引入了一种创新性的多重损失函数模块,将Weight Loss,Generalized Dice Loss和Focal Tversky Loss相结合,缓解了类别不平衡的问题。实验结果表明,与典型的基于注意门机制的U-net模型的脑肿瘤分割技术相比,所提出的MIRAU网络性能优于典型的U-net模型,且分割效率更高,尤其提高了小尺度脑瘤图像分割的精度。第三,提出了一种基于Inception嵌套密集残差（Inception Residual Dense）模块U-Net（IRDNU-Net）的脑瘤图像分割算法,提高了小参数规模、小尺度脑肿瘤图像分割的精度,丰富了脑瘤图像内置的典型特征,实现了高精度、高效率的脑肿瘤分割。首先,IRDNU-Net为了使网络结构更宽,在U-Net体系结构中使用残差inception模块取代标准卷积模块。其次,IRDNU网络编码器和解码器子网络通过嵌套的密集路径连接,增加了网络的深度。最后,在两个大型脑肿瘤分割基准数据集上对所提出的分割结构进行了评估。实验结果表明,与基于单一Inception残差模块的U-net模型算法相比,该算法提高了小参数规模、小尺度的脑肿瘤图像的识别率和分割精度。第四,提出了一种基于金字塔池化空间编解码网络（EDD-Net）的脑瘤分割算法,该算法丰富了脑肿瘤图像多背景的特征信息,提高了分割精度。首先,在编码器和解码器模块中,引入了带有压缩激励模块的扩展Res Net块,利用较少的参数训练多层网络。其次,将DASPP块、主干编解码模块和输出模块这三部分集成。最后,提出了一种基于残差模型的上采样模块和一个基于高低层特征信息集成模型的下采样模块,构造金字塔型池化空间的编解码网络。实验结果表明,与典型的编解码网络相比,该算法提升了多层神经网络模型表征脑瘤信息的能力,提高了脑瘤图像分割的精度和鲁棒性。综上所述,本文提出了基于深度神经网络的多模态MRI脑瘤图像分割算法,提高了脑肿瘤图像分割的精度,尤其是提高了小尺度脑瘤图像分割的精度,同时降低了空间复杂度,提高了计算效率,解决了分割与脑肿瘤相关异常区域的问题,有助于医生对脑肿瘤癌症患者的诊断和治疗规划,具有十分重要的现实意义。