脑肿瘤是生长在大脑里的不正常细胞群,对人们的生命健康造成严重威胁。将肿瘤区域正确划分出来是脑肿瘤治疗和诊断中不可缺少的一步。临床通过核磁共振成像（Magnetic Resonance Imaging,MRI）获取包含不同信息的多模态MRI脑部图像用于颅内结构的观测。现有的方法主要提取MRI图像的多模态混合信息或单一模态独立信息,缺乏对混合信息和独立信息的结合。此外脑肿瘤分割任务中的目标尺寸不一致问题需要网络能够获取多尺度信息。为此,本文首先研究基于多模态融合的脑肿瘤图像分割方法,构建针对多模态MRI脑肿瘤数据集的编码器-解码器网络,进一步研究使用多尺度特征融合和注意力机制捕获上下文信息。本文根据MRI脑肿瘤数据集特点,构建基于多模态融合的脑肿瘤自动分割网络。针对多模态MRI图像信息利用不充分问题,提出了基于多模态特征提取的编码器,让网络可以同时提取不同模态的混合信息和独立信息,实现了多模态MRI图像前期融合和后期融合的结合。针对脑肿瘤数据集中存在的图像强度不均匀、数据维度高和数据集规模小等问题,本文设计了一套有效的数据预处理流程。针对脑肿瘤分割任务中存在的类别不平衡问题,本文设计了用于多类别脑肿瘤分割任务的加权损失函数。在脑肿瘤图像分割数据集Bra TS2019上实验结果表明,该方法在分割性能上有一定程度的提升。考虑到在脑肿瘤分割任务中,需要分割的三个不同等级的肿瘤区域尺寸存在着差异,以及不同病例和同一病例在不同患病阶段分割目标尺寸也存在差异。本文提出了结合多尺度特征融合的脑肿瘤MRI图像分割方法。通过设计多尺度特征融合模块,设置多个空洞卷积层通道捕获多尺度特征。通过多尺度特征融合通道权重计算模块为各通道分配权重,让网络自动关注重要通道提取的特征信息。除此以外,考虑到特征层不同通道的重要性不同,本文在编码层和解码层之间加入通道注意力模块,增加多尺度特征融合模块输入特征中有效信息权重,避免信息冗余。在脑肿瘤图像分割数据集Bra TS2018和Bra TS2019上进行了线上评估,验证了该方法对分割性能的进一步提升。