脑肿瘤是常见的恶性肿瘤,由于其发病部位特殊导致其治疗难度和致死性极高。放射治疗是脑肿瘤的临床治疗中最常用方式。在制定放射治疗计划时,需要准确的勾画脑肿瘤阻隔器官的目标靶区来确保肿瘤区域施加正确且足够的放射量并保证健康组织处于安全范围。同时,脑肿瘤阻隔器官的精确勾画结果对脑肿瘤的临床目标体积（Clinical Target Volume,CTV）区域的确定有着重要的参考价值。而勾画结果时由经验丰富的放射科肿瘤医生通过逐片人工标注所得,这不仅繁琐而且还费事费力。因此,为提升勾画效率,减轻医生工作量,开发准确且有效的自动分割算法具有重要的研究价值。然而,由于脑肿瘤阻隔器官形状尺寸差异大、结构边界模糊、图像前后背景比例不平衡和不同器官间对比度低等因素限制,众多最先进的医学图像自动分割方法无法获得精确的结果。为解决上述问题,本文提出了一个高分辨率和多分辨率双分支融合神经网络（High-and-Multi Resolution Network,HMRNet）,它在保持高分辨率的上下文信息同时提取多尺度的特征信息进而使得网络能够学习到更加鲁棒的特征信息。此外,考虑到所提出双分支网络结构中的特征图之间的互补性,本文进一步设计了一个双向注意力校正模块,双分支中的特征图生成空间注意力权重图对互补分支特征图进行校正,增强模型对目标区域的关注。本文还提出了假阴性（False Nagetive,FN）加权损失函数,增大模型的召回率以减少前后背景比例失衡导致的假阴性分割结果。最后本文采用Coarse-to-Fine的两阶段分割策略,第一阶段的粗分割用器官定位,第二个阶段中,使用基于双向校正注意力模块的高分辨率和多分辨率双分支融合神经网络对每类器官单独进行精细分割以获得更准确的分割结果。在收集得到脑肿瘤阻隔数据集上的实验结果表明:1)本文提出的Coarse-to-Fine两阶段分割策略在很大程度上优于仅一个阶段分割所有器官的策略;2)本文提出的双分支结构的HMRNet可以保持高分辨率的特征信息,并有效地提高薄片性器官的分割精度;3)本文所提出的双向校正注意力模块的性能优于使用自身特征进行自校正的注意力机制。