随着神经胶质瘤发病率逐步上升,作为关键辅助诊疗手段的医学图像处理技术受到了越来越多的关注。其中,脑部磁共振图像分割与重建算法的有机结合能极大便利诊疗决策、模拟手术、术后规划以及医疗教学等医学任务。因此,分割与重建算法的设计一直都是医学图像处理与计算机辅助诊断领域备受关注且极度活跃的研究热点。然而,在成像过程中,高斯噪声和莱斯噪声经常叠加出现,造成采集到的图像质量退化,导致分割精度受限。同时,现有的自动或半自动分割方法往往难以精确预测感兴趣区域的边界,导致在重建时难以呈现出颅内组织复杂的非线性曲面。为应对上述挑战,本文在深入总结医学图像分割与重建领域研究现状的基础上,对脑部磁共振图像的自身特性进行了分析,提出了新型脑部磁共振图像分割与重建算法,实现了对脑部病灶区域的二维切片级分割与三维可视化重建。本文的主要工作包括以下两个部分:（1）针对现有基于深度学习的医学脑肿瘤图像组织分割方法精度不足的问题,本文提出了一种新型的Active Contour U-net神经网络分割模型。该模型充分利用了核磁T1加权像、T2加权像、对比增强T1序列以及水抑制Flair的脑肿瘤成像特点,在通过深层可分离结构区分映射卷积层通道的空间相关性和外观相关性的基础上,引入密集残差思想以实现对脑肿瘤图像中深层异常区域更精确的捕捉,并结合活动轮廓约束解决瘤周水肿区域模糊不清的问题,实现了病灶区域中对增强坏死实质与核心坏疽区域精确、高效的分割。最后,充分的消融与对比实验验证了该分割网络的有效性。（2）针对现有脑部磁共振图像三维重建算法难以应对切片曲率变化及曲面不连续的问题,本文提出了一种分割后小面积肿瘤块的堆叠重建方法。该方法充分利用网络分割后的小面积肿瘤块切片序列构造空间坐标系,通过立方卷积插值扩充横、纵列像素,整合堆叠序列来提取等值面数据以拟合重建体的表面,并引入Phong局部光照模型叠加不同反射光渲染图像平滑度和RGB值以更精确地重建全景小面积肿瘤块,实现了空间结构中闭区域病灶整体形态的三维可视化。最后,通过对比与消融实验验证了该方法的有效性。