脑胶质瘤是一种具有极强浸润性和高致死率的原发性脑肿瘤,正在对人们的生命健康产生严重威胁。脑肿瘤的早期诊断对制定手术方案、提高患者生存率具有重要意义。脑肿瘤分割是肿瘤早期诊断中的一项关键任务,通常需要医生利用核磁共振成像（Magnetic Resonance Imaging,MRI）图像,依据个人经验进行手动分割,但脑部MRI图像软组织间对比度较低,肿瘤与周围健康组织较难分辨,手动分割方法耗时费力,分割结果也具有很强的主观性。随着深度学习技术的发展,卷积神经网络（Convolutional Neural Network,CNN）算法在医学图像处理中得到广泛应用,其中U-Net网络在医学影像分割任务上表现最为出色。但对于脑肿瘤图像分割任务,经典U-Net算法依然存在对肿瘤区域的欠分割和过分割等问题。本文结合脑肿瘤MRI图像特点,对基于U-Net的图像分割算法作出改进,以提升网络在脑肿瘤图像上的分割性能,并在公开数据集上进行验证。本文研究工作如下:（1）针对经典U-Net分割网络在肿瘤区域边界分割精度不高的问题,提出一种基于多尺度特征提取的U-Net模型——DCU-Net（Multi-scale U-Net with Dilated Convolution）。模型首先将MRI脑肿瘤图像进行裁剪预处理,通过减少背景像素的输入,缓解类不平衡问题。然后设计多尺度空间金字塔池模块,对经典U-Net模型收缩路径中的部分最大池化层进行优化,使网络在保持图像分辨率的同时扩大特征感受野。最后引入空洞卷积残差块优化训练网络中的跳跃连接,融合来自收缩路径低层次的特征,提高网络对肿瘤细节的识别能力。实验结果表明,DCU-Net模型实现了多尺度脑肿瘤特征的融合与提取,并有效提升了脑肿瘤区域边界的分割精度。（2）针对经典U-Net模型在脑肿瘤内部子区域分割模糊的问题,提出一种融合特征注意力机制的U-Net模型——DA-UNet（Dense Connected U-Net with Attention Gate）。首先在模型的下采样路径中设计多个密集连接卷积层,在加强特征前向传播能力的同时,也在一定程度上避免模型训练过程中的过拟合和梯度消失问题。其次在模型的上采样路径中引入注意力机制,重点提高模型对脑肿瘤区域的特征学习权重,抑制模型对背景特征的学习。实验表明,DA-UNet模型有效降低了模型的复杂度,并在多个指标上提高了脑肿瘤内部子区域的分割精度。