脑胶质瘤是最常见的原发性中枢神经系统肿瘤之一,具有极高的发病率和致死率。磁共振成像（Magnetic Resonance Imaging,MRI）能对大脑软组织进行高空间分辨率和高对比度成像,是医生进行脑胶质瘤影像诊断的最佳选择,但人工判读的过程不仅费时费力,而且严重依赖于主观经验,存在极大不稳定性。目前,基于深度学习的图像分割算法能够实现脑胶质瘤的自动化分割,有效地提高了医生的诊断效率。然而,由于脑胶质瘤存在边缘模糊、多模态、语义信息单一等特点,脑胶质瘤的精准自动化分割算法研究仍是一项具有挑战性的任务。因此,本文围绕脑胶质瘤磁共振图像精准自动化分割方法展开研究,主要工作包括:（1）为了解决肿瘤组织边缘分割模糊以及多模态图像特征难以得到有效利用的问题,提出了基于双流编码网络的双注意力U-Net脑胶质瘤分割模型—TD-UNet。首先,提出一种双流编码网络TSE,使用两条卷积网络支路同时对原始图像和包含边缘信息的梯度图像进行特征提取与逐层融合,提高对肿瘤边缘像素特征的学习能力。其次,在UNet的跳跃连接层加入双注意力模块DAM,从特征通道和像素区域角度对不同模态特征分配不同注意力权重,缓解原始U-Net深浅特征结合时语义不一致的问题。最后,在公开的Bra TS脑胶质瘤数据集上证明了提出的模型在三个不同肿瘤区域的分割性能均优于现有经典分割模型。（2）为了解决像素标签多尺度特征差异信息和全局像素语义信息未被利用的问题,在TD-UNet的基础上进一步提出了基于生成对抗网络和像素对比学习的脑胶质瘤分割方法—GAN-PCL。首先,使用生成对抗网络的训练模式,利用设计的多尺度全卷积判别网络来计算预测标签和真实标签之间的多尺度特征编码误差,辅助生成网络提升在细节上的分割效果。其次,引入像素对比学习,通过开发的内存库扩大对比学习的对比范围,同时在像素高维投影空间中利用像素对比损失函数提高生成网络对不同语义像素的区分度。最后,在Bra TS脑胶质瘤数据集上证明了提出的方法能够进一步提升TD-UNet的分割效果,整体分割性能优于现有最新脑胶质瘤分割方法。（3）设计并开发了一个脑胶质瘤分割辅助系统。基于前述理论和关键算法,结合实际业务需求,以Spring Boot技术和Vue.js技术作为核心框架,开发了一个面向专业医生的脑胶质瘤分割辅助系统,辅助医生诊断,提高医生诊断效率。