脑肿瘤作为影响患者身体健康的一大疾病,每年约有10万人遭受病痛的折磨。由于磁共振成像（Magnetic Resonance Imaging,MRI）技术对人体无害,能够实现三维成像、多模成像,故其经常被应用于临床诊断过程。然而对于不同的患者,脑肿瘤本身的形状、分布等各有差异,且医生在进行诊断的时候不可避免地会有主观因素,所以一直以来研究者的重点是如何利用医疗影像实现脑肿瘤的精细分割。本论文基于以上背景,对三维脑肿瘤医学图像的精细分割展开研究与实验,主要进行了以下几项工作:第一、针对传统精细分割方法不能充分利用具有位置包含关系的肿瘤数据、不能很好地结合多模态图像信息的缺点,采用级联网络,将一个复杂的多类分割任务细化成三个简单的二类分割任务,排除了肿瘤以外的假阳性点。第二、针对单一尺度特征预测不能充分保留图像细节信息的缺点,本论文采用多尺度特征融合预测的方式,补充图像细节,提升分割精度。第三、针对三维医学图像数据量较少的问题,本论文对数据进行二维裁剪,输入均采用多帧二维数据,极大扩充了数据量的同时能够很好地抑制过拟合。另外利用帧间卷积与帧内卷积相结合的方式,提取帧内信息与帧间辅助信息。第四、为解决实验结果中小细胞瘤的分割不精确问题,本论文采用残差结构、空洞卷积、大跳层连接三种结构,将浅层特征与深层特征进行融合,同时对不同的分割目标采用不同的下采样次数,进一步改善了分割效果。本论文数据集采用BraTS 2018,对不同尺度特征预测,不同网络结构进行了多组对比实验。最终肿瘤整体、肿瘤核以及增强肿瘤的Dice系数分别为0.9029、0.8317、0.7865,本论文算法可以实现高精度分割,性能达到较高水平。