脑肿瘤是威胁人类生命安全的常见肿瘤之一。统计资料表明,中国已是脑肿瘤发病人数和死亡人数的世界第一,脑肿瘤诊断复杂,难以治疗。磁共振成像(MRI)十分适合人体脑部组织的成像,对脑肿瘤的检测、分析具有重要的意义。影像科医生可以通过阅读MRI图像初步判断脑肿瘤是否存在以及具体发展情况,但MRI图像数量较大,且有伪影等干扰,纯粹依赖人工判断费时费力,且有漏诊、误诊的风险。以医学图像分析为代表的计算机辅助治疗能够帮助医生阅读MRI图像,其中图像分类技术能够辅助判断脑肿瘤的类别,而图像分割技术能够辅助确定肿瘤的形态和位置,这些技术能够提高脑肿瘤诊治的效率,进而辅助脑肿瘤患者的救助。近年来,传统的图像分类和分割方法逐渐被深度学习方法取代。深度学习方法不需要向传统方法那样人工提取特征,不存在因先验知识导致的差异。本文利用深度学习、计算机视觉相关技术,对脑肿瘤MRI图像分类和分割技术进行研究,具体工作如下:1、对公共数据平台上的脑肿瘤MRI图像分类和分割数据集进行了分类和预处理,使数据集得到扩增并调整到模型需要的尺寸。2、提出了多深度结合的残差网络。通过对残差网络模型以及数据集防范过拟合风险的分析,将残差网络模型的残差块进行了改进,并修饰了其中的卷积层。实验结果表明,该模型实现了更准确地完成脑肿瘤MRI图像的分类。3、提出了空洞-残差块U型网络。通过对U-Net模型、残差思想和空洞卷积原理的分析,将U-Net中的编码块进行了改进。实验结果和可视化效果表明,该模型更精准地完成了脑肿瘤MRI图像的分割。