现有的基于内容的脑肿瘤图像检索系统大多基于全局的大脑图像进行检索或者基于局部的脑肿瘤区域进行检索。由于肿瘤区域在脑部图像中所占比例较低,前者不能很好地关注肿瘤区域的特征信息,而后者忽略了脑肿瘤在大脑的位置分布信息,且通常需要医生手工勾画脑肿瘤区域,耗时耗力且具有不可重复性。为了解决这些问题,本文提出了一种基于区域的脑肿瘤图像检索方法,能够比较全面地提取在脑肿瘤诊断中医生所关注的信息。主要工作和贡献总结如下:首先,为了避免对肿瘤区域进行手工勾画的需求,提出了一个基于卷积神经网络的脑肿瘤分割模型DFP-UNet,自动分割脑肿瘤区域。该模型以U-Net结构为基础,在编码器阶段引入预先训练的模型,在解码器阶段引入特征池化模块,以增强模型对肿瘤区域特征的关注。在CE-MRI数据集上的实验结果表明,与现有的分割模型相比,DFP-UNet能有效提高脑肿瘤的分割精度。其次,在分割的脑肿瘤基础上,设计了一个基于区域的脑肿瘤图像检索系统。为了获取医生诊断脑肿瘤时所关注的信息,不仅提取了描述肿瘤在脑部的位置分布特征,还提取了肿瘤区域和肿瘤周围组织的纹理变化特征。通过微调Xception模型,分别从整个大脑图像和扩增的肿瘤区域提取深度特征,并针对扩增的肿瘤区域分别提取灰度共生矩阵和费舍尔向量作为传统特征。然后采用基于轮盘赌的特征选择算法,来降低不同特征组之间维度不平衡可能产生的影响。最后将四组选择后的特征连接起来作为最终的图像描述子。实验结果表明,本文基于多个角度提取的肿瘤特征更具有判别性,能够有效提高检索性能。另外,基于不同模型自动分割得到的肿瘤区域的检索性能与基于医生手工勾画的肿瘤区域的检索性能具有高度一致性,表明本文的脑肿瘤图像检索方法对分割精度具有较强的鲁棒性。