近年来,脑肿瘤的分割任务已经逐渐成为医学图像研究领域的一个热点问题。一般情况下,脑肿瘤致死率、致残率极高,对人体的健康有很大的危害。其中,胶质瘤是最常见的脑肿瘤,它是由神经胶质细胞癌变而形成的,可分为低级别胶质瘤(Low-grade glioma,LGG)和高级别胶质瘤(High-grade glioma,HGG),HGG通常由LGG恶化形成。尽管目前的治疗水平有所提升,但是HGG患者的预后仍旧很差,中位生存期不到两年甚至更短,与HGG相比,LGG患者的治疗和预后更有效。为了更好地治疗患者同时尽力的延长他们的生存时间,及时并准确地分割出胶质瘤,辅助医生制定适当的治疗计划是非常重要的。在诊断成像技术的发展过程中,诞生了各种各样的脑肿瘤成像检查方式,其中,磁共振成像(MRI)由于具有很高的软组织分辨率和空间分辨率,没有辐射损伤,可以提供广泛的生理意义的对比,并通过成像来区分不同的组织,且MRI所得的特征能够大大提高对脑肿瘤恶性程度的准确性的评估,因此广泛用于诊断脑和神经系统异常。尽管技术手段有所提升,但脑肿瘤分割仍然是一项艰巨的任务,因为肿瘤的边界通常是模糊的,并且不同患者的肿瘤形状、位置和范围存在高度的可变性。因此,设计一个可有效分割脑肿瘤的自动算法是很重要且具有挑战性的,在过去的几十年中,研究者们已经提出了许多相关的算法,其中,基于深度学习的算法在脑肿瘤分割方面取得了良好的效果。在前人研究的基础上,本文提出了一种基于u-net模块的多尺度脑肿瘤图像(MRI)分割网络,网络主要由编码和解码两部分构成。在编码阶段,网络使用卷积层、u-net模块、多尺度池化块来捕获不同分辨率下的长距离空间信息;在解码阶段,则分别对不同分辨率的特征图进行上采样并进行融合,以提取和利用足够的特征。在u-net模块中,我们使用了 Xception模块和3D深度可分离卷积来保护信息的完整性并降低网络的计算量,其中,较浅的卷积层可以学习图像的局部特征和低维特征,而较深的卷积层可以学习网络的全局特征和高维特征,通过跳跃连接的级联操作则可以直接将这些特征传递至解码层,从而为网络提供更加详细和丰富的信息;在多尺度池化块中,我们利用不同大小的池化核并行处理特征,以获得不同大小的感受野信息,这样,网络即可获得不同尺度的上下文特征。为了验证本文网络的性能,我们在BraTS 2015测试集上进行了大量的对比、消融实验,最终,本文提出的多尺度分割网络实现了完整肿瘤区域,肿瘤核心区域和强化肿瘤区域的Dice评估指标分别为0.85、0.72和0.61的分割结果。与现有的一些较为先进的肿瘤图像分割方法相比,我们的网络是非常有竞争力的。