近年来,全球平均每年有880万人死于癌症,占全球每年死亡总人数近六分之一,而且仍然有增长趋势。研究表明,有效的诊断可在发病初期及时检测癌症,使治疗更有效、简单,并降低费用。但是肿瘤往往是隐藏在患者的身体组织,尤其脑部肿瘤更是形态各异,分布离散,不利于诊断,这就促使我们探索一种能够自动检测和分割肿瘤,并且具有高可靠性的解决方案辅助医学界诊断和治疗。卷积神经网络在ImageNet视觉挑战赛中取得了令人惊讶的成绩,也成为目前计算机视觉和AI方向研究的核心热点,在自动驾驶和目标识别方面得到了深入的应用,并且正在被进一步的推动发展以便能识别和处理更困难的任务。卷积神经网络本质是一种输入到输出的信息映射,其目的是通过内部庞大的参数拟合出一种最合适的映射关系,该过程可以精确提取任务处理过程中所需的特征。通过这种设计,有效解决了机器学习训练过程中特征提取不充分所带来的准确率难以提高的问题,大大减少了模型训练过程中人工处理带来的影响。卷积神经网络同时也使得任务处理变得简单,过程真正的实现了全自动化,为脑肿瘤分割问题提供了解决思路。本文首先系统的分析了脑肿瘤分割问题在实际研究中面临的挑战,总结探讨了已有主流图像语义分割模型的本身固有特点和对脑肿瘤分割任务的适用性。接着结合MRI图像脑肿瘤分割任务的特殊性提出一种端到端的分割模型,模型中创新性的引入了多尺度动态加权结构和Refine结构,探索了这两种结构对肿瘤分割任务的影响,为了使模型进一步提高分割精度,本文还提出了 Multi-Attention训练方法。最后,讨论了本文提出的三种结构在BRATS 2015数据集上的表现,通过BRATS实验中心提供的系统对模型进行评估。结果显示,本文提出的模型在全肿瘤部分优于其他方法,在核心肿瘤和增强肿瘤部分也具有可比较性。其中,全肿瘤分割中DES评分0.86和Sensitivity评分0.91获得最高评分。