在脑肿瘤临床诊疗过程中,由于医疗资源的稀缺与诊断效率的低下,迫切需要高精度的医学图像分割工具进行辅助诊疗。随着深度学习与神经网络技术的快速发展,使用卷积神经网络来进行脑肿瘤图像分割已经成为当下的主流,但是其对于脑肿瘤信息的利用并不充分,导致精度与效率并不完善。基于此,本文围绕着如何充分利用脑肿瘤信息开展研究。具体而言,本文基于脑肿瘤数据来构建深度学习神经网络模型,用于脑肿瘤图像分割任务,主要工作如下:（1）通过对磁共振成像（Magnetic Resonance Imaging,MRI）脑肿瘤数据进行分析以及预处理,预处理包含数据标准化与数据模糊化处理,以降低数据中的数值问题对分割的影响,提升脑肿瘤图像的分割精度。（2）为了更有效的提取与融合脑肿瘤图像中的特征信息,提出了基于多层级特征信息融合的分割模型。该模型通过设计多层级并行特征提取模块与多层级并行分割模块,分别应用于深度神经网络的下采样与上采样阶段,从而对脑肿瘤的特征信息进行多层级并行提取与自适应融合,增强特征信息的提取与表达能力。另外,通过在网络中加入多层级金字塔长连接模块,用于充分考虑其输入的不同尺寸特征之间的信息融合,提升特征信息的传播效率。（3）通过遵循临床实践中的多视角诊断理念,以充分利用脑肿瘤图像的多维度视角信息,提出了基于多维度视角信息融合的分割模型。该模型包括以下三个关键组成部分:首先是从不同视角分割脑肿瘤图像的多维度视角深度神经网络。其次是将多维度视角分割结果进行融合的多维度信息决策融合方法。再者是促进多维度视角深度神经网络训练过程的多维度信息融合损失（包括分割损失,过渡损失和决策损失）。两种分割模型分别从特征维度与视角维度对脑肿瘤信息进行充分利用与融合,通过在BRATS 2015和BRATS 2018数据集上验证了分割模型的性能,证明了利用脑肿瘤数据信息并加以融合,可以提升脑肿瘤分割的精度与效率。与当前主流的脑肿瘤分割方法相比,基于信息融合的脑肿瘤分割方法不失为一种更好的选择,对计算机辅助诊疗有重要意义。