脑肿瘤分为恶性脑肿瘤和良性脑肿瘤,前者是癌性的,容易扩散到大脑的其他部位,后者则不然。然而,在这两种情况下,脑肿瘤在刚性脑部空间的生长都可能导致人体功能障碍,甚至危及生命。脑肿瘤的发病率正在逐年增加,对公共卫生造成了极大的负担。诊断脑肿瘤的主要方法为利用脑部核磁共振成像图（MRI）对脑肿瘤区域进行分割,然而目前对脑肿瘤进行分割仍由脑外科医生手动进行。以这种方式分割需要花费脑外科医生大量的时间进行标注,并且脑肿瘤的异质性使得分割困难,导致手动分割效率不高。另外,脑肿瘤分割可作为预测病患术后生存周期的基础,评估病患之后的治疗计划,通过生存周期预测可以制定积极或是保守的治疗方案。所以为了辅助脑外科医生的脑肿瘤诊断工作,本文针对于脑肿瘤分割和生存周期预测进行了系统化研究。目前关于脑肿瘤分割的主流方法为基于深度学习的方法。然而,由于医疗数据的敏感性和隐私性,现存的相关公开数据集少且数据量少,若直接使用深度学习的方法则会出现严重的过拟合问题。另一方面,涉及三维图像的深度学习模型存在参数过多的问题。本文通过引入知识蒸馏与对抗训练相结合的训练策略进行脑肿瘤分割,能够得到精度较高的脑肿瘤分割图。知识蒸馏预先训练多个教师网络,得到软标签,再通过软标签监督学生网络的训练,并压缩模型体积。软标签可使学生网络的映射更多元化,从而缓解过拟合问题。知识蒸馏与对抗训练相结合,使得对抗训练对全局网络的监督更加有效,达到正则化的效果。之后,本文通过实验与主流的脑肿瘤分割算法进行了对比,结果显示本方法可以在压缩的模型上得到较高的分割精度。此外,现存的生存周期预测方法主要通过在脑部MRI成像图和脑肿瘤分割图上提取放射性特征,并使用机器学习方法进行预测。但是手工提取表层特征的方式受限于放射性特征与生存周期的相关性,使得生存周期预测精度难以进一步提高。本文使用神经网络自动提取深度特征,并采用特征融合的方法,融合放射性特征和深度特征进行生存周期预测,进一步提高了预测精度。实验阶段,本文设计多个对比方法,包括基于特征提取的机器学习方法和非特征融合的深度学习方法,结果显示本文方法能得到更好的预测结果。此外,通过对比脑肿瘤分割图对病患生存周期预测任务的影响,侧面验证了本文提出的脑肿瘤分割模型的性能。