脑部肿瘤是一种很常见的神经外科疾病,作为脑部高危疾病的一种,对于人类的生活健康造成了严重的危害。为了充分利用医学影像信息,并且帮助医生快速准确地做出疾病诊断,深度学习模型在脑肿瘤分割任务中表现出了强大的特征提取能力。然而由于脑肿瘤的形状多种多样及脑部影像的多变性,模型对脑肿瘤的分割效果仍然有一定的提升空间。（1）本文针对以往的Unet网络结构复杂、参数过多、计算量过大,导致无法满足人们对计算速度和精度的要求的问题,为提高计算速度和精度,同时提高训练过程中细节特征质量,引入倒残差模块（Inverted Residuals Block）代替Unet网络中编码和解码阶段的卷积模块、并在编码和解码间加入改进的残差卷积注意力模块（Residuals Convolutional Block Attention Module,ResCBAM）——提出InR-ResCBAM-Unet改进模型。基于Brats2019数据集,本文对提出的Unet网络改进模型进行消融实验,并与TrUE-Net网络、ConResNet网络以及OM-Net网络进行对比,利用Dice系数（Dice Similarity Coefficient）和豪斯多夫距离（Hausdorff distance,HD）作为评价指标对模型的分割效果进行分析。实验结果表明,InR-ResCBAM-Unet网络不但提高了网络的运行速度,还大幅度减少了参数量,同时提高了网络分割效果。（2）由于本文提出的InR-ResCBAM-Unet网络中使用了大量的卷积运算,会使网络在明确建模远程依赖关系方面显示出局限性,并且网络不能完全并行化,会对网络的训练速度有一定的影响。因此本文基于息肉分割的金字塔视觉Transformer（Poly Segmentatiion with Pyramid Vision Transformer,Polyp-PVT）网络运行速度快、分割精度较高的优势,采用Polyp-PVT网络作为基础模型,本文为了提高网络对特征融合的能力,在不增加计算量和参数量的前提下,完成通道间的信息混合,增强分割效果,引入选择融合注意力（Attentional Selective Fusion,ASF）模块替换Polyp-PVT网络中的级联融合模块（Cascaded Fusion Module,CFM）、并且在ASF模块之前引入通道混洗（Channel shuffle）模块——提出PVT-ASF-CS网络。基于Brats2019数据集,本文对PVT-ASF-CS网络进行消融实验,并与模型TransBTS网络、VT-Unet网络以及InR-ResCBAM-Unet网络进行对比,使用Dice系数和HD作为评价指标对模型分割效果进行分析。实验结果表明,本文所提出的Polyp-PVT网络的改进模型能够提取更多更好的特征,对脑肿瘤的分割效果较好。