胶质瘤是脑部最常见的原发性恶性肿瘤,占所有恶性脑肿瘤的80%。胶质瘤可分为胶质母细胞瘤（glioblastoma,GBM）和较低级别胶质瘤（lower-grade glioma,LGG）。GBM和LGG的准确分级对患者治疗计划的制定和预后判断至关重要。目前临床上胶质瘤分级的金标准是基于手术活检后的组织病理学诊断,但手术活检存在侵入性、不及时性及耗时长等问题。磁共振成像（magnetic resonance imaging,MRI）技术是临床诊断中一种无创的辅助手段,能够提供肿瘤结构及功能信息,在胶质瘤分级中发挥着重要作用。当前许多研究利用MRI进行胶质瘤分级分析,但都局限于使用单一方法学。在本文的研究中,我们基于多模态MRI,探究放射组学特征和深度特征融合的混合结构在胶质瘤分级中的可行性。本研究主要提出了两种基于多模态MRI的放射组学特征和深度特征融合的胶质瘤分级框架。研究方法一使用多模态MR图像的2.5D正交平面（即矢状面、冠状面和横断面）作为输入;利用放射组学和深度学习两种算法分别对三个正交平面图像提取放射组学特征和深度特征;采用特征袋算法分别对每个正交平面图像的两类特征进行编码,使得特征更紧凑并实现高维稀疏表示;使用核融合策略对三个正交平面图像进行融合,从而获得三个正交平面图像特征的统一表示;最后,基于两种特征的融合构建SVM分类器用于胶质瘤分级。研究方法二使用多模态MR图像的3D感兴趣区域作为输入;利用放射组学模型提取肿瘤的全局特征和深度学习算法提取局部特征;采用Relief算法分别对全局特征和局部特征进行特征选择,从而缓解过拟合问题;使用核融合策略结合不同模态的全局放射组学特征和局部深度特征;最后,建立一个基于不同特征融合的SVM用于胶质瘤分级。实验共纳入来自两个数据集的567例患者,其中一个为TCGA数据集（GBM=106,LGG=127）,分为训练集（GBM=85,LGG=101）和内部验证集（GBM=21,LGG=26）用来训练模型和选择参数;另一个为当地医院数据集（GBM=105,LGG=229）,作为独立的外部测试集用来评估模型的泛化性能。所有患者均接受T1加权对比度增强（Tlce）和T2液体衰减反转恢复（T2FLAIR）MRI扫描。实验结果通过受试者工作曲线下面积、敏感性、特异性、t检验对模型的性能进行评价。结果表明,两种方法在内部验证集和外部测试集中都表现了显著的泛化能力,方法二的性能稍优于方法一,且两种方法都优于仅基于放射组学特征或深度特征的单一方法,预测结果也与临床放射医生的诊断性能相当。本研究证实了基于多模态MRI的放射组学特征和深度特征融合以开发一种无创的胶质瘤分级模型的可行性。