随着社会的快速发展,人们的生活水平逐渐提高。但是与此同时,人们不规律的生活方式也使得更多疾病的发生,肿瘤甚至也变成了一种常见的疾病。脑肿瘤是常见的恶性肿瘤之一,其致死率较高,目前只有通过手术或放疗来治疗。因此,脑肿瘤的早期诊断对于改善患者的病情至关重要。核磁共振成像（Magnetic Resonance Imaging,MRI）可以帮助医生观察到病人大脑内部的情况,迅速地确定病灶区域。但是脑肿瘤具有不同的组织学亚区域,结构复杂,通过核磁共振扫描到的影像也存在不同的差异性,很难区分肿瘤和正常组织的边缘连接部分。通常都是由影像科专家手动标注进行分割肿瘤区域,但极其耗时,还可能存在误差。因此能够自动分割MRI图像的技术成为近年来计算机领域的挑战任务。为了实现脑肿瘤的精确分割,本文通过深度学习算法来针对该问题做出研究,具体工作如下:（1）提出一种基于U-Net的二维分割算法。首先将DenseNet中的密集连接块改进后融入U-Net中,利用密集连接块将每一次输入都包含了所有之前的输出,加强了连接块之间的信息传递和特征重用,提高了U-Net编码器的特征提取能力。并且将空洞卷积融入其中,以此来扩大卷积核的感受野,在不降低分辨率的情况下,提高了层与层之间的联系。随后加入条件随机场循环神经网络（CRF-RNN）对图像做精细分割,形成可以端对端的训练模型。通过对BraTs2018的二维切片数据进行训练验证,该方法实现了脑肿瘤的分割。（2）提出了改进的3D U-Net网络的脑肿瘤分割算法。首先对MRI图像进行预处理执行N4ITK偏置场校正,通过校正偏置场,解决扫描的强度不均匀性。在模型中融入空洞空间金字塔池化结构（Atrous Spatial Pyramid Pooling,ASPP）,利用多个扩张率不同的空洞卷积,获得多尺度上下文信息提高特征提取能力。加入注意力机制（Attention Gate,AG）,加强对特定区域有用的显著特征获取,抑制无关信息。网络中加入分割层以不同的分辨率创建多个分割图。用实例规范化代替了传统的批量规范化,以补偿由于内存限制而使用小批量训练导致的随机性。另外Exponential Logarithmic loss损失函数代替传统的线性Dice损失函数,通过损失函数中的参数调整控制,进而提高模型性能。通过BraTs2018数据集的验证,该方法有效提升了分割精度。（3）提出了基于3D SE-RESUNet脑肿瘤分割算法,该模型通过编码和解码模块来实现输入输出尺寸不变,在设计的残差模块中加入压缩与激励结构（Squeeze and Excitation structure）从特征通道之间的关系去自动获取每个通道信息的重要程度,从而提升有用信息的注重程度,抑制不重要的信息。通过残差模块加深网络,以及级联编码与解码部分,使模型可以更多的获取特征。并且使用Generalized Dice Loss来处理数据的类别不平衡问题。通过BraTs2018数据集的训练和BraTs2019数据集的测试,该方法有效地分割出了病症区域。