脑胶质瘤是最常见的中枢神经系统肿瘤,具有较高的发病率和死亡率。脑胶质瘤通常被分为低级别脑胶质瘤和高级别脑胶质瘤,不同级别的脑胶质瘤患者的治疗方案和预后不同。在脑胶质瘤患者开展治疗之前进行精准分级有助于临床中的治疗决策和预后评估。磁共振（Magnetic resonance,MR）成像是脑胶质瘤最常用的影像检查方式,能够产生多参数的影像数据,影像科医生通常会对不同参数的MR影像进行综合分析后再做出相应的诊断。基于卷积神经网络的预测模型通过挖掘MR影像中的深层次特征,辅助影像科医生更准、更快地对脑胶质瘤进行分级。然而卷积神经网络对多参数MR影像间的互补信息利用尚不充分,对数据间的感知能力有限,无法充分发挥多参数MR影像的辅助诊断价值。针对以上问题,本文基于图卷积神经网络对脑胶质瘤多参数MR影像辅助分级开展以下研究工作:（1）针对二维卷积神经网络中无法同时融合MR影像中切片上下文信息和不同参数MR影像间互补信息的问题,本文提出了一种基于图卷积神经网络的多参数 MRI 信息融合（Multiparameter-MRI information fusion based on graph convolutional neural network,MMIF-GCN）模型。该模型根据多参数MR影像的特点将信息设计成图,图中的节点信息定义为卷积神经网络从不同参数同一位置的影像切片中提取的特征,边反映了切片之间是否位置临近。通过图卷积操作进行相邻节点之间的信息交互和融合。使用常见的卷积神经网络作为特征提取模型,在公开数据集BraTS2020和内部数据集GliommaHPPH2018上分别进行多参数MR影像分析。实验结果表明,MMIF-GCN模型能够有效融合影像中切片上下文信息和多参数MR影像间的互补信息,提升模型的分类性能。（2）针对三维卷积神经网络中忽略了相似患者多参数MR影像间存在潜在关系信息的问题,本文提出了一种基于图卷积神经网络的多参数MRI相似感知（Multiparameter-MRI similarity-aware based on graph convolutional neural network,MMSA-GCN）模型。该模型将图中的节点信息定义为从每位患者每个参数MR影像中提取的特征。设计了三个包含疾病状态信息的感受野用于考虑数据中患者的疾病状态信息,利用余弦相似性和疾病状态信息计算节点间信息的相似度。根据节点间信息的相似度和多参数MR影像间的联系构建边。通过图卷积操作进行节点间的相似感知和多参数MR影像间的信息融合。在公开数据集BraTS2020和内部数据集GliomaHPPH2018上进行实验,MMSA-GCN模型中受试者工作特性曲线下面积分别为0.970和0.988,准确率分别为94.7%和93.6%。实验结果表明,MMSA-GCN模型可以准确捕获影像间的相似性信息和多参数MR影像间的互补信息,优于传统的多参数融合方法。