胶质瘤是一种严重影响人体健康的常见原发性脑肿瘤。在胶质瘤治疗领域,磁共振成像(Magnetic Resonance Imaging,MRI)以其强对比度、高分辨率和对病灶的敏感性成为脑内病变识别和分类的重要工具。通过对胶质瘤的分割,医生可以定位并获得胶质瘤的大小,进而制定精准的治疗方案。但是胶质瘤的复杂病灶特征和抽象的非规则表达使得精确分割成为挑战。传统的分割方法过于依赖医生的临床经验且耗时耗力,对于不同医生而言,同一患者的MRI图像可能会得出不同结论。如何有效的从胶质瘤图像信息中获取关键的病灶特征,对目标区域实现精准的语义分割是当前医学影像学和深度学习领域迫切需要解决的问题。为进一步提高胶质瘤分割精度,本文从数据增强、算法结构、对抗思想等三方面研究其对胶质瘤分割结果的影响。主要创新点如下:(1)针对数据增强是如何影响胶质瘤分割结果的问题,本文在数据预处理阶段,首先定义数据增强产生的图片数量与训练集总数量的比值为数据增强比例(Data Augmentation Ratio,DAR),通过传统的数据增强,基于单一数据集的数据增强和基于图像翻译的数据增强等三种方法详细论证了其在不同DAR作用下对分割结果的影响。并在此基础上提出一种基于最优DAR的胶质瘤分割策略。(2)针对神经网络容易退化的问题,本文在基于编码器-解码器结构的分割网络中引入了残差密集模块(Residual-Dense Block,RDB),该模块能最大程度提取细节特征并级联不同层级的特征。此外,为了提取更加丰富的目标特征信息,本文引入了双注意力机制,在下采样过程中通过特征通道注意力(Channel Attention,CA)机制自适应学习相同尺度下各通道间的重要程度,在上采样过程中通过空间注意力(Spatial Attention,SA)机制获得同一特征图上与目标相关程度的权值,该机制可以深入提取到与目标相关的有用信息并将两个维度的信息进行融合。最后提出一种新的分割网络RD2A-Net。(3)为了进一步细化胶质瘤的分割效果,在胶质瘤分割框架中引入对抗学习思想,构建基于生成器-判别器结构的语义分割网络。该方法将本文提出的引入残差密集模块和双注意力机制的分割网络作为生成器,单独构建一个具有提取图像深层特征信息能力的判别器。最后提出一种基于生成对抗网络的语义分割框架RD2A-GAN,通过实验证明了该方法的有效性。