据临床医学研究显示,神经胶质瘤是最常见且最具侵袭性的脑肿瘤之一,其患者的预期寿命非常短,及时对患者进行有效的治疗至关重要。医生在进行早期诊断、制定诊疗计划时通常需要对脑肿瘤磁共振成像(MRI)图像实现精确分割,但是由MRI技术产生的3D图像数据量非常大,且脑肿瘤的形状和边界具有不规则、模糊的特点,这些因素阻碍了医生对肿瘤边界进行有效的手动分割,限制了实践中对脑肿瘤的精确定量测量。因此,借助于各种分割算法对脑图像进行全自动分割成为发展的趋势,但传统的分割算法针对胶质瘤的不规则形状和模糊边界具有一定的局限性,导致脑肿瘤分割的自动化仍然是一个具有挑战性的问题。本文以脑肿瘤分割任务为立足点,以多模态MRI图像为研究对象,基于深度学习算法对脑肿瘤MRI图像分割进行研究,并在Multimodal Brain Tumor Segmentation Challenge(Brats)2015训练数据集上进行验证评估。论文主要贡献如下:(1)针对传统卷积神经网络(CNN)模型中小卷积核检测范围的限制,根据脑肿瘤图像特征,提出一种改进的双路径卷积神经网络模型——SK-TPCNN,该模型将小卷积核和大卷积核以双路径的形式进行并联,在增强网络非线性映射能力的同时对图像的局部纹理特征和更大范围的空间邻域信息进行提取,丰富特征的多样性。实验结果表明,SK-TPCNN模型实现了局部和全局特征的同步提取、融合,取得了良好的分割效果。(2)针对SK-TPCNN模型易发生特征冗余以及过拟合现象的缺陷,提出了一种SK-TPCNN与随机森林(RF)的联合优化模型,使用RF分类器对SK-TPCNN最优参数模型的输出特征进行有效整合。实验结果表明,SK-TPCNN与RF的联合优化模型在多个指标上明显改善了SK-TPCNN的分割结果。(3)针对传统CNN基于图像块分类的自动分割方法存在数据冗余、训练过程繁琐复杂等不足,使用U-net模型解决分割问题,提出了一种基于U-net的改进模型——深层残差U-net(Deeper ResU-net)模型,将U-net模型扩展至更深的层数,并加入残差结构保证模型有效平稳的训练。实验结果表明,Deeper ResU-net在扩展网络深度的同时可以有效消除深度网络在训练过程中出现的退化现象,改善了模型分割性能。