脑胶质瘤是一种具有高发病率和高致死率的原发性脑肿瘤,它对人类的生命和健康会造成极大的危害。当前,基于核磁共振图像的脑胶质瘤分割可以帮助医师观察和分析脑胶质瘤的外部形态,从而进行诊断治疗;然而,脑胶质瘤具有高异质性,其多模态MRI（magnetic resonance imaging）脑影像呈现出灰度不均匀、形状不规则等特点,并且脑胶质瘤的数据样本不平衡是一个长期需要解决的问题。因此,开发准确率较高的脑胶质瘤自动分割算法是一项很有挑战性的工作。针对脑胶质瘤分割中难以捕获长距离依赖关系的问题,本文提出了一种基于图卷积网络改进的脑胶质瘤分割模型,该模型将来自编码器的特征图映射到图数据上,充分利用多尺度全局推理模块来进行全局语义信息推理,使网络能够更好地建模长距离依赖关系,之后将全局信息映射回原始空间再经过解码上采样,从而实现脑胶质瘤的精确分割。同时,采用Dice损失和交叉熵损失之和作为损失函数来优化模型,该损失函数不仅能缓解脑胶质瘤图像的前景和背景体素不平衡的现象,还能够加快网络的训练收敛速度,保持训练稳定。为了进一步提高网络模型的分割性能以及对小样本增强肿瘤的敏感度,本文在基于图卷积网络改进的脑胶质瘤分割模型的基础上进一步优化,提出一种基于注意力机制改进的脑胶质瘤分割模型。该网络有效地结合了脑胶质瘤的上下文信息并增强了对脑胶质瘤区域的关注,同时采用GDL（generalized dice loss）损失函数来优化模型,GDL损失函数能为小目标增强肿瘤的损失分配更大的权重,平衡不同脑胶质瘤类别之间的差异,从而提升网络对增强肿瘤的分割效果。本文在Bra TS20数据集上对模型进行五折交叉验证。首先通过消融实验来验证各项工作的有效性,然后将本文提出的脑胶质瘤分割方法与其它主流方法进行横向对比分析。实验结果显示,基于注意力机制改进的脑胶质瘤分割模型在全肿瘤区域、肿瘤核心区域和增强肿瘤区域的平均Dice Score分别达到了0.91、0.87和0.81,比基于图卷积网络改进的脑胶质瘤分割模型分别高了0.67、0.31和1.36个百分点,同时优于其它主流方法,且能够对脑胶质瘤进行精确分割。