利用深度学习方法辅助医学图像信息处理是属于人工智能技术在医学领域的应用与研究。基于体素的脑肿瘤图像分割任务最重要的工作是对脑肿瘤组织区域像素实现高精度的分类。但是由于脑肿瘤出现在大脑的空间位置具有随机性,利用传统的分割方法具有一定的局限性,并且准确度也不能满足现实要求。为解决以上问题,充分利用深度学习方法强大的非线性表征能力,并能够理解图像更深层次的信息;本文利用深度学习方法中的卷积神经网络模型处理脑肿瘤图像的分类标注任务;并对训练过程中参数优化过程做出了改进。首先介绍了卷积神经网络的在图像处理领域的原理以及操作方法。然后在两路卷积神经网络架构的基础上,对本地通路技巧性的设置了12层卷积;在考虑到像素区域标签之间的依赖性时,模拟条件随机场的情况,设计了输入串联结构;对于解决输入像素区域受限的问题,设计了多池化输入模型;最后通过实验,准确度达到83%,验证了模型改进的有效性。然后对不同的梯度下降法原理进行了介绍,然后提出改进型Adam算法,并使用它来适应性地调整学习率;然后将改进型Adam算法,应用于多池化输入串联两路卷积神经网络的训练过程,并且在实验过程中与其他的随机梯度下降法做了对比,表明了改进型Adam,在训练过程中效率更高,对大规模的数据训练具有重要意义。