核磁共振成像（Magnetic Resonance Imaging,MRI）技术是颅脑常规检查中的必要技术,医生根据经验分析患者MR脑图像进行疾病筛查与诊断。高效率、高准确率的辅助诊断技术给疾病诊断环节带来极大的便利,不仅能够大幅度提升医生的诊断效率,而且对脑肿瘤患者的治愈率和存活率有着重大意义。医学脑肿瘤图像中肿瘤区域与正常区域存在灰度分布差异,表现为图像出现灰度畸变,纹理细节缺失或扭曲等现象,严重破坏图像整体纹理结构的一致性,对后续的医学图像处理和分析（如图像配准、图集构建和基于图集的图像分割技术等）构成了巨大的挑战。本文从脑肿瘤图像病灶分割与图像复原两个方面进行研究,基于机器学习技术,提出两种能同时实现MR脑肿瘤图像中病灶分割与复原的算法,分别为TLS2D算法和VAE-GAN网络。两者均在非强监督学习机制下实现,无需大量精细的标注信息,也不依赖种子点或边界初始化,实现肿瘤自动分割和图像病灶复原,并且能对图像进行批量操作,提高了算法的整体效率。首先,本文提出形变的低秩结构化稀疏分解模型（Transformed Low-rank and Structured Sparse Decomposition,TLS2D）,该模型将结构化稀疏约束、图像对齐和自适应空间约束融合于统一框架。基于矩阵分解的思想,将病灶图像分解成两部分:作为恢复图像的低秩成分和作为病灶分割的结构化稀疏成分。在低秩稀疏分解模型的基础上进行算法改进,通过结合结构化的稀疏和图像显著度作为复原模型的自适应空间约束,从而获得恢复良好的图像。此外,基于深度生成模型,本文将变分自编码器（Variational Autoencoder,VAE）和生成对抗网络（Generative Adversarial Network,GAN）相结合,提出一种改进的半监督病灶分割与图像复原算法。本文在VAE模型的基础上,融合了GAN网络结构中的判别器。判别器训练过程中引入正常的脑图像的数据分布,通过半监督学习提高生成器的图像生成质量,并最终以输入图像与生成图像的残差结果作为病灶分割的依据。本文分别在合成数据和真实数据上对所提出的算法进行实验验证,使用经典的医学图像分割和图像复原性能评价指标对算法结果进行客观评估。实验证明了所提算法的有效性,综合评估算法的性能,证实TLS2D算法对病灶分割和复原具有较强鲁棒性。