儿童脑肿瘤约占儿童癌症的25%,是仅次于儿童白血病的第二大常见癌症,其中后颅窝脑肿瘤占儿童脑肿瘤的60%。在后颅窝脑肿瘤中,最为常见的三种肿瘤为髓母细胞瘤,星形细胞瘤与室管膜瘤。由于这三种肿瘤的特性以及恶性程度不同,其治疗方案和预后结果也不大相同。因此,为了更加快速、精准地确定患儿治疗方案,早期精确的诊断意义尤为明显。磁共振成像技术由于其无电离辐射,高分辨率和高组织对比度,多模态成像等优点,在儿童脑肿瘤疾病中的应用越来越广泛。同时随着计算机技术的发展,基于磁共振影像数据的辅助诊断成为可能,在大数据的驱动下,辅助诊断系统不仅能够有效地减少医生工作量,提高诊断的准确率,还能挖掘出大量仅凭医生主观临床经验所无法发现的信息,在临床工作和科学研究中都具有十分重要的实现意义。本课题使用多模态磁共振影像数据,对三种常见的儿童后颅窝脑肿瘤进行了智能诊断。主要利用深度学习技术与影像组学方法实现了脑肿瘤的自动分割与分类,并利用模型的特点,对髓母细胞瘤患儿进行了生存分析研究。本课题的工作主要包括以下4个方面:（1）针对临床多模态磁共振影像数据,提出了一套完善的数据预处理方案。经过预处理后的数据在图像大小,视野,对比度以及均匀度上具有更好的一致性。（2）使用深度学习技术,基于多模态的磁共振影像数据实现了脑肿瘤组织的准确分割。通过对U-Net网络结构进行改进,加入批标准化层与残差模块,最终分割的准确度达到了83.88%。（3）分别利用深度学习技术与影像组学方法,实现了三种儿童后颅窝脑肿瘤的自动分类。在深度学习技术上,进一步采用迁移学习的方法,使用脑肿瘤图像切片,对预训练的深度学习模型进行微调,最终得到了83.33%的分类准确率。在影像组学方法上,对肿瘤区域进行特征提取,包括直方图特征,形状特征和纹理特征。分别使用传统机器学习的SVM分类器和随机森林分类器实现了脑肿瘤的分类。其中,随机森林分类器性能更好,总体准确率达到了91.67%,并且对于星形细胞瘤达到了100%的精确率与召回率。（4）结合深度学习与影像组学,对髓母细胞瘤患儿进行了生存分析。使用分割工作与分类工作得到的深度学习模型,提取海量深度特征,结合影像组学特征,使用多种特征筛选方法筛出冗余特征,最终利用Cox回归模型计算得到风险指数,成功将患儿分成高低风险两组,实现了生存期的预测。