脑胶质瘤是最常见的原发性颅脑肿瘤，严重危害了人类的身体健康。核磁共振影像（MRI）技术提供了脑肿瘤颅内影像，给予医生诊断与治疗巨大的支持。实现脑胶质瘤精准分割对医生诊断和治疗具有积极的意义。由于脑胶质瘤的大小、形状及位置存在多样性，结构具有复杂性，且不同病人之间有非常大的差异，使基于MRI图像的脑胶质瘤识别与分割仍然十分困难。传统的方法非常耗时耗力，具有不稳定性，且单模态MRI图像无法提供完整的脑胶质瘤图像信息，因此，常常综合多模态MRI图像来对脑胶质瘤进行识别与分割。根据以上背景，本文以多模态MRI图像为研究的依据，结合深度学习算法实现对脑胶质瘤自动分割，主要工作如下：
　　(1)提出一种基于空洞密集块的3D U-Net模型，实现对多模态MRI脑胶质瘤图像自动分割。U-Net网络具有良好的分割性能，常被应用于医学图像分割领域中，但是由于脑胶质瘤的特殊性，使得U-Net模型在其分割任务中，无法获取更多细节信息。为此，本文在U-Net模型的基础上融合了空洞卷积和密集连接块，将多分类损失函数与交叉熵损失函数之和作为网络模型的损失函数，来缓解脑胶质瘤图像分割中的类别不平衡问题。该算法在BraTS2018数据集中进行了验证，在完整肿瘤区、核心肿瘤区和增强肿瘤区上取得的Dice相似系数(Dice)分别是88.59％、82.43％和78.67％，通过实验证明，该算法具有较好的分割性能。
　　(2)提出一种基于循环多纤维网络的模型，实现对多模态MRI脑胶质瘤图像自动分割。三维卷积神经网络具有较好的分割性能，但需要消耗大量的计算成本，对硬件资源的要求较高。基于上述问题，本文设计了轻量级分割网络。该网络通过纤维单元来减少计算量并降低存储的占用，解决了使用三维卷积神经网络架构所造成的高计算成本；通过循环多纤维模块来提高网络提取上下文信息的能力；通过多路复用器模块增强各模块间信息交流。循环多纤维网络充分结合了纤维单元、循环多纤维模块以及多路复用器模块的优点实现对脑胶质瘤的精准分割。该算法在BraTS2018数据集中进行了验证，在完整肿瘤区、核心肿瘤区和增强肿瘤区上取得的Dice值分别是89.62％、83.65％和78.72％，计算量和参数量分别是37.24G和2.65M。通过实验证明，该算法具有较好的分割性能的同时显著降低显存的占用。