脑肿瘤属于一种恶性程度非常高的疾病,它往往会对患者躯体和认知引起复杂的损害。脑肿瘤患者脑部MR图像的有效分割往往能帮助医生对患者做出正确的诊断和治疗。通常,脑部的MR图像拥有T1,T2,T1C,FLAIR四个模态,但在实际的临床实践中,因受到设备等条件的限制,病人往往仅拥有部分模态,从而造成了脑肿瘤分割不精确的问题。因此,基于缺失模态脑肿瘤MR图像自动分割研究对于脑肿瘤患者的病情诊断及治疗具有较为重要的研究价值和意义。本文面向脑肿瘤MR图像模态缺失、对关键模态依赖和分割精度不稳定等问题,提出了基于全卷积神经网络的改进分割算法。论文研究内容主要为:（1）针对多模态脑肿瘤MR图像之间具有相似特征的特点,基于U-Net神经网络模型提出了适应于模态缺失的AMM U-Net（Adapted Missing Modalities）分割算法。该算法以U-Net为基础,结合特征共享的思想,通过轻量的级联特征生成模块重建缺失特征来补充视觉信息。此外,论文还提出了基于通道注意力可适用于多模态的模态融合模块,用以选择并融合生成特征图,从而保证了模型对生成特征有效利用的同时抑制了无效特征。（2）针对AMM U-Net算法受限于模型参数量、数据集大小与融合方式使其分割精度受限的问题,本文提出了基于变分自动编码器的高斯乘法融合模态特征分布的模型结构。通过结合全局残差模块与局部残差模块的DRM（Dual Residual Multi-VAE）结构,在为编码器提取的潜在分布增加表达能力的同时,为解码器生成的潜变量提供了更多语义信息与细节修正,从而使输入解码器的特征更精确。该模型能较好地提升反向传播效率,能进一步提升脑肿瘤的分割精度。（3）针对AMM U-Net对关键模态过度依赖的现象,本文设计了基于KL散度的AEO（Approximate to Each Other）损失函数。该损失函数通过计算所有子模态融合的潜在分布并期望这些分布都趋于相同,使非关键模态具有关键模态的部分分布特征,从而缓解基于浅层视觉特征算法对关键模态的依赖问题。论文使用了Brain Tumor Segmentation（Bra TS）Challenge数据集对相关算法进行了验证,实验结果表明论文提出的AMM U-Net在水肿区域、核心区域及增强区域分别实现了平均84.92%、75.20%、71.89%的Dice得分;而改进的DRM-VAE分割算法将各Dice得分进一步提高至86.55%、75.53%、72.10%,超越了当前SOTA（state-of-the-art）的模型。此外,论文提出的AEO损失函数能有效缓解对于关键模态的依赖问题,使模型在缺失关键模态的情况下精度有较大提高。