对于脑肿瘤的放射治疗,准确地定义肿瘤靶区对于实施个性化精确治疗和保证患者生存质量至关重要。常规解剖图像无法准确地呈现肿瘤细胞的实际分布范围,而功能影像为解决此问题提供了很好的前景。综合利用PET、DWI、DTI与PWI等功能影像信息辅助定义放射治疗中肿瘤边界具有非常可观的临床价值。为了克服现有的双模态图像融合不能满足医生对肿瘤更完整信息的需求,本论文提出一种针对三模态医学图像（CT/MRI/PET）的透明度加权融合新模型。使用三个脑肿瘤临床病例对比评估的结果表明:三名医师基于三模态图像融合新模型勾画的肿瘤容积三维表面到质心的平均距离（ADSC）标准差比双模态图像融合上的结果显著性减小（p＜0.05）;三名医师三次勾画的平均差异系数（COV）,基于三模态图像融合新模型的结果（0.05±0.03）都显著性小于双模态图像融合的结果（0.02±0.01）。因此,新的三模态图像透明度加权融合模型可显著性减小靶区勾画过程中观察者之间的形状差异和观察者内部的容积差异,有利于脑肿瘤放射治疗计划中改善肿瘤靶区定义过程。为了将多模态功能磁共振成像（DWI、DTI和PWI）的肿瘤边界综合信息提供给放射治疗医师,本论文建立了一种新的基于模糊特征的多模态功能磁共振图像融合模型。该模型对每个参数值图像都建立一个肿瘤隶属度函数,将参数值图像转换为模糊特征空间,通过融合三个模糊特征空间,有效地综合三种功能性磁共振图像的信息,获得每个体素对于肿瘤隶属度,提取肿瘤隶属度较高的区域和轮廓用于辅助临床医师确定肿瘤病灶情况和制定治疗计划。为了将新的基于模糊特征的多模态功能磁共振图像融合模型进一步应用到临床肿瘤放射治疗靶区勾画过程,本论文提出一种基于多模态功能参数值图像融合的自动分割框架。以临床神经肿瘤学专家对9个胶质瘤病例进行靶区勾画的结果作为标准,将自动分割结果与医生手动勾画的肿瘤边界进行对比。结果表明:自动分割与手动勾画的肿瘤容积,体积上的差异均值为8.69%±5.62%,形状上的相似性指数DSC均值为0.88±0.02,自动分割框架的灵敏度均值为0.87±0.04,特异性均值为0.98±0.01。因此,本论文提出的自动分割框架与手动勾画在体积大小上差异较小、在形状上的相似性较高,自动分割框架识别肿瘤区域的灵敏度和特异性较高。该自动分割框架有利于放射治疗计划中的靶区勾画,在综合多模态功能磁共振图像信息的同时改善靶区勾画效率。