脑瘫是指一组由产前、产时或产后非进行性脑损伤所致运动和姿势发育障碍的活动受限性疾病。作为一种非侵入无电离辐射的检测工具,磁共振成像（MRI）能够提供较高的软组织分辨率和丰富的影像信息,适合用于新生儿脑病筛查。但是目前我国大多数基层医院新生儿头颅MRI检查仅能够提供常规的MRI模式。面对挑战,现如今基于深度学习的新生儿大脑图像分割算法存在两点不足:一是过于依赖数据集;二是加深网络层数的同时增加了模型的计算量。为了改善现有的分割方法,本文基于U-Net网络,以T1模态磁共振和T2模态磁共振图像作为输入,以提高分割模型性能为研究目的,首先提出了特征强化双模态网络,其次基于该网络提出了注意力特征强化网络,最后通过分析对比实验,得出本文的新生儿大脑磁共振图像分割算法分割效果更为突出,本文主要工作如下:（1）提出了一种特征强化双模态网络,用于新生儿大脑磁共振图像分割。通过设计双通道下采样模块,该模块由双通道和最大融合组成,用于对输入的双模态图像进行特征提取。采用最大融合将双通道中下采样提取到的特征图进行融合,巧妙地引入了双模态图像信息之间的互补优势。通过最大融合提取到的特征用于强化深层网络输出的低分辨率特征图像,从而增强了分割网络的性能。经实验验证得知,双通道下采样模块能够高效地提取图像特征,与典型的分割网络相比,特征强化双模态网络具有更好的图像分割效果。（2）为了进一步改善新生儿大脑磁共振图像组织分割的精准度,基于上述的特征强化双模态网络,深入了解扩张卷积、通道注意力机制和空间注意力机制的基础上,本文提出了一种扩张融合注意力模块并构建了一种注意力特征强化网络,进而提升网络的分割性能。经实验验证得知,本文所提出的方法不仅能够通过融合利用不同模态之间的互补信息,同时能够利用本文注意力模块学习到具有很大感受野和具有重要信息的特征,从而获得了很好的分割效果。基于该网络模型在d HCP-2017数据集的测试集上取得了77.28%的分割精准度。