近年来,随着空气、环境质量的不断下降,以及人们在日常饮食中不能控制对亚硝基化合物的摄入,脑肿瘤成为威胁人们健康的常见肿瘤之一。随着医学影像的发展,作为影像技术之一的核磁共振成像（MRI）在肿瘤诊断过程中发挥着巨大的作用。然而,医生对图像的判断大都是根据主观经验,不同医生对图像判断也是略有出入,且在图像判别上浪费大量的精力,耽误患者的及时诊断。图像分割作为当前计算机视觉领域的一大研究热点,在脑肿瘤图像分割领域中得到广泛应用,辅助医生进行快速诊断。但是,脑肿瘤图像本身存在噪声大,病灶区域纹理特征不清晰,图像原有的线性特征不足的问题,它作为医学图像本身涉及患者的隐私;并且对于图像的标注任务需要专业的、有经验的放射科医生来进行,这样标注出的结果才更有说服力,所以针对脑肿瘤图像的分割任务有较高的复杂性。近年来,很多国内外研究学者在医学图像尤其是脑肿瘤分割领域已经取得了重大的进展,尤其是基于深度学习技术的图像分割,在很多器官病灶分割任务上表现优异。但是大部分方法仍然存在一些问题,例如,深度分割模型对于3D图像的高维特征挖掘不足,病灶区域与正常器官边界分割模糊,模型本身参数较多,模型浮点计算量较大,使得模型的推理速度较慢且泛化能力较低。基于上述问题,我们提出一种基于混合注意力机制的3D脑肿瘤图像分割架构HANet（Hybrid Attention Network）。HANet采用一种编解码方式,包含3D特征编码器和3D特征解码器,并且在解码器的输出阶段,我们引入了基于通道注意力机制和空间注意力机制的混合注意力机制模块,并且提出一种注意力门单元AGUs,用来整合编码器阶段和上采样过程的两部分特征。网络中采用了密集连接的方式,防止参数在网络训练过程中引起的丢失,本文主要研究内容如下:首先介绍脑肿瘤医学图像分割的背景和研究意义,对图像分割在医学图像尤其是脑肿瘤图像分割任务中的研究情况进行综合概述,并分析了方法的优缺点;介绍了脑肿瘤医学图像的特点,并对脑肿瘤图像分割相关技术作简要介绍。其次,提出全新的针对脑肿瘤图像的分割架构HANet,架构采用一种V型结构,采用编解码方式,并加入混合注意力机制和注意力门单元,架构中还采用了密集连接的方式,一方面防止了数据丢失,另一方面提升了网络的速度。最后,在现有Bra TS18脑肿瘤图像数据集的基础上,进行数据增强,扩充数据集并提出一整套脑肿瘤图像的预处理方法,提出一种重叠性图像分块方法。通过实验,证明了该方法的有效性,在此数据集下验证了HANet分割架构的有效性。