脑肿瘤是一种常见的威胁人类健康的恶性疾病,及时的发现和准确的诊断可以为治疗争取到宝贵时间。脑肿瘤的清晰成像和精准分割是准确诊断和治疗的前提,但是脑部组织结构比较复杂、脑肿瘤的形状与生长位置不同、内部灰度不均匀以及边缘模糊的特点,使脑肿瘤图像精准分割成为一项具有挑战性的任务。目前临床医生常采用计算机人工勾画的方式进行脑肿瘤图像的分割,虽然人工分割的准确性高,但是面对每天海量的影像资料需要处理,这无疑会浪费大量的时间。所以脑肿瘤图像自动分割方法的研究一直以来备受学者们的关注。近些年来,深度学习方法在各个领域取得了创纪录的表现,在自然图形识别竞赛中屡获冠军,研究人员通过改进网络结构,提出了大量适用于医学图像分割的模型并取得较高的准确率。本文针对脑肿瘤图像分割研究做了如下工作:（1）在成像过程中,核磁共振设备会出现磁场偏移的情况,影响成像质量,使图像中存在偏场,图像亮度不均匀。针对这个问题,本文使用N4ITK算法对存在偏场的图像进行偏场矫正,处理后的图像亮度均匀,提高了图像的计算机可操作性。另外,由于图像来自不同的核磁共振设备,其灰度分布范围也不同,所以在进行训练之前需要对数据进行归一化操作,本文采用零均值标准化方法统一图像灰度的分布范围。其次,针对类别不平衡问题,采用改进的交叉熵损失函数,加强了网络的学习能力。在解决数据不足的问题上,本文采用数据增强的方法扩充了训练集,同时还提高了模型的泛化能力。（2）空洞卷积在扩大感受野的同时不会降低图像的分辨率,根据空洞卷积的这个特性,本文设计了一个基于空洞卷积的多尺度特征提取模块（Multi-scale Feature Extraction Block based on Dilate Convolution,MD）用于提取脑肿瘤图像特征。与其他的多尺度特征提取方法不同,MD可以通过连续的空洞卷积获得较大的感受野,并把每一次空洞卷积的结果与模块的输入进行融合作为输出结果,所以MD的输出结果不仅包含输入图像的局部信息和全局信息,同时还保留了输入图像的细节特征。把MD添加到U-Net网络,提出了结合空洞卷积的多尺度脑肿瘤图像分割模型,对完整肿瘤分割结果的指标为0.86,比U-Net高出3个百分点。（3）添加MD增加了网络的深度,有可能带来训练困难的问题,所以将多尺度特征提取模块和深度监督模块搭配使用,提出了一种结合深度监督的多尺度脑肿瘤图像分割模型。该模型首先使用小卷积核提取图像的浅层特征,然后使用多尺度特征提取模块快速扩大感受野的范围,同时保留图像的浅层特征用于指导上采样过程的特征恢复,提高了网络的训练速度和分割准确度。对完整肿瘤、核心肿瘤和增强肿瘤的评价指标分别是0.9323、0.9430和0.9077。本文方法全部在BraTS2017数据库上进行验证,对验证集的完整肿瘤、核心肿瘤和增强肿瘤的分别是0.89、0.87和0.79。实验结果表明,本文方法要优于大多数脑肿瘤图像分割方法,同时证明了在特征提取过程中将小卷积核放在浅层网络提取细节特征更有效。