脑肿瘤又称脑胶质瘤、脑癌,是最具侵袭性的肿瘤之一,无论对患者的身体上还是心理上都威胁极大。核磁共振成像技术由于成像质量高,且对人体没有伤害,在临床上被广泛应用于肿瘤图像的采集。然而脑肿瘤图像十分复杂,不同肿瘤亚区的边界具有一定的模糊性,这使得脑肿瘤分割工作变得非常困难。当前主要是依靠医生或专家手动进行分割,不但效率低,而且医生在长期高强度的工作下可能会导致分割精度的下降。另外,为了能帮助医生进行临床决策,制订更合适的诊疗计划,对脑肿瘤患者进行精准的生存期预测也是非常必要的。目前主要的生存期预测方法是医院或学者制定的各种评分预测模型,虽然使用方便,但在分值的设定和特征的选择上缺乏一定的科学性,而且预测准确率普遍较低。因此,如何使用计算机方法对脑肿瘤图像实现精确的全自动分割并对患者的生存期进行预测始终是学术界的一个热门研究方向。针对脑肿瘤分割问题,本文在2D图像上设计了多路径TS-U-net（Teacher Student U-net,TS-U-net）模型,主要创新点是使用了有效的数据扩充方法、加权的交叉熵损失函数、添加了多路径注意力机制,分别解决了数据不足、脑肿瘤图像类不平衡和多模态数据丢失的问题。在3D图像上分别设计了传统3D U-net、基于mixup的3D U-net和基于全变分的3D U-net模型。3D网络由于能够充分利用相邻切片之间的信息,相比于2D网络具有更好的分割效果。与其它最先进的脑肿瘤分割模型对比,本文设计的3D模型取得了具有一定竞争力的分割精度。针对生存期预测问题,本文验证了多个机器学习模型,并设计了基于特征筛选的生存期预测模型。该模型将从肿瘤分割结果中提取的特征和年龄等信息作为输入,并根据对模型的影响因子对特征进行筛选,去除掉了与生存预测无关的特征,减少了模型的过拟合,提高了模型的预测准确率。本文使用的数据集来自MICCAI（Medical Image Computing and Computer-Assisted Intervention,MICCAI）会议举办的针对脑肿瘤核磁共振图像分割和患生存期预测两个任务的挑战赛Brats 2019（Brain tumor image segmentation 2019,Brats 2019）。在脑肿瘤分割任务上,本文设计的基于全变分的3D U-net模型在三个脑肿瘤亚区的dice系数分别为0.90、0.877和0.846。与Brats 2019分割挑战赛第一名的0.91、0.867、0.823相比,在第二和第三个亚区的分割精度分别提升了0.01和0.023。在生存期预测任务上,本文设计的基于特征筛选的生存期预测模型准确率达到了0.59,与Brats 2019预测挑战赛第二名（第一名没有提供具体预测准确率）的0.61十分接近。上述结果证明了本文设计的脑肿瘤分割模型和生存期预测模型的有效性。