脑胶质瘤是目前最为常见的中枢神经系统肿瘤,世界卫生组织（World Health Organization,WHO）将其分为I～IV等级,其中最严重的肿瘤类型是胶质母细胞瘤（为WHO IV级脑胶质瘤）,患者预后复发率和死亡率极高。现代医学方法提供了包括显微外科手术肿瘤切除、放疗和化疗等,其结果受肿瘤组织病理学及治疗方式的多重影响,严重威胁人们的身心健康。然而完全切除肿瘤是不可行的,由于胶质瘤的浸润性生长,不能充分显示其边界,脑胶质瘤的准确分割显得尤为重要。由于脑肿瘤浸润性生长且复杂多变的特点,导致传统的分割方法无法在临床方面广泛应用。深度学习逐渐取代了传统的分割方法,分割效果显著。磁共振成像（Magnetic Resonance Imaging,MRI）在临床上用于对脑胶质瘤的术前诊断评估,能为明确病变性质提供丰富的医学影像信息。因此,在脑胶质瘤MRI影像中研究胶质瘤的组织形态,实现胶质瘤的精准分割逐渐发展成为现代医学在脑图像处理领域的一个重要研究任务。为了实现脑胶质瘤的自动分割,本文提出一种改进U-Net的脑胶质瘤分割方法。基于3DUNet网络中编码器-解码器的对称结构,在编码器拼接解码器之前,每一层实现注意力机制,给编码器端的输出特征附加权重,提取更详细的信息并聚焦病变区域。引入变分自编码器（Variational Auto Encoder,VAE）分支,对神经网络起到正则的作用。实验中对有限的数据集进行数据增强,实现脑胶质瘤MRI医学图像的精准分割。在数据集Bra TS2018上分析得到增强肿瘤核心,全肿瘤和肿瘤核心测试数据集结果分别为0.7372、0.8520和0.8035,显示出较好的分割效果。在脑胶质瘤的自动分割基础上进一步研究,预测脑胶质瘤O6-甲基鸟嘌呤-DNA甲基转移酶（O6-methylguanine-DNAmethyltransferase,MGMT）启动子甲基化状态。MGMT甲基化状态与肿瘤耐药密切相关,研究表明可以将MGMT启动子甲基化增加为脑胶质瘤预后的独立预测指标。本文从肿瘤及水肿区T1WI增强、T2WI、FLAIR和ADC序列中提取特征,提出一种基于粒子群优化支持向量机（Particle Swarm Optimization-Support Vector Machine,PSO-SVM）模型的多区域多模态MRI放射组学特征检测脑胶质瘤MGMT启动子的甲基化状态。结果表明该模型为医生提供一种高效而准确的辅助诊断依据,可以快速预测MGMT病理结果。