随着城市化和人口老龄化进程的加快,人们愈发注重自身健康,脑部作为人体最核心的器官之一,一旦出现问题,将严重危及人体健康。其中,脑卒中和脑胶质瘤作为两种具有代表性的脑疾病,其致残率、死亡率都非常高。脑卒中是一种急性脑血管疾病,需要在症状出现之后尽快诊治,计算机断层扫描（Computed Tomography,CT）以其速度快、可用性强等特点,通常成为诊断脑卒中患者的首选。脑胶质瘤结构复杂、形状多样,磁共振成像（Magnetic Resonance Imaging,MRI）技术以其不同软组织之间对比鲜明等优点,被广泛用于脑胶质瘤患者诊治过程中。现阶段,脑卒中病变区域的评估仍然依赖于人工手段。人工评估不仅繁琐耗时,而且由于评估标准不一致,容易导致人为错误,如何将深度学习等人工智能方法应用于开发自动化脑卒中分割,以提高诊断效率和准确率,具有重要的研究价值。另外,随着脑胶质瘤在人群中发病率的不断增加,脑胶质瘤患者生存周期预测的临床需要也日益紧迫,基于MRI技术的生存周期预测可以为病人的诊治提供必要的支持。针对脑卒中和脑胶质瘤等脑部疾病目前的临床需求,本文基于多编码结构和Cox分析对脑部影像分析处理方面的应用进行了研究,主要的创新和贡献如下:（1）提出了一种基于多编码器结构的脑卒中分割模型。该模型是对U-Net算法进行改进,U-Net是脑卒中分割领域的经典模型,但是其提取特征较少,分割精度不高。本文在U-Net原始编码器不同尺度的卷积层基础上新增了三个编码器,并在解码过程中融合了多个编码器卷积层的特征信息,解决了 U-Net提取特征信息不够丰富和解码过程中融入浅层特征太少的问题,有效提高了分割精度。该模型在ISLES2018和ATLAS数据集上分别做了实验,实验的结果表明基于多编码器结构的分割模型优于传统方法。（2）提出了一个基于Cox分析的脑胶质瘤患者生存周期预测框架。该框架首先使用Pyradiomics工具包对原始的MRI序列提取影像组学特征,包括一阶统计特征、形状特征和纹理特征;然后使用Cox生存分析的方法对提取的特征做筛选;最后将特征选择得到的特征子集送入随机森林回归算法中,实现脑胶质瘤患者的生存周期预测。该框架在BraTS2020数据集上进行了实验,实验结果表明基于Cox分析的生存周期预测框架优于传统模型。（3）实现了一个基于Flask框架的在线辅助诊断原型系统。该系统使用浏览器/服务器（B/S）架构,主要实现的功能有:脑卒中辅助分割、脑胶质瘤辅助分割、脑胶质瘤辅助标记和影像数据管理。用户登录系统后,可上传数据,由系统完成分割或标记功能,最后将分割或标记结果以可视化的形式呈现给用户,实现了有效的辅助诊断,提高了诊治效率。