临床实践表明核磁共振成像对评估胶质瘤非常有价值,它们会提供精确的脑肿瘤成像,便于医生获得精确的脑肿瘤轮廓。通常,影像科专家手动标注分割肿瘤区域,但是专家手动标注会带来标注耗时,标注差异性等问题。在保留肿瘤图像高分割精度同时,为肿瘤靶区的勾画带来快捷且重复性较高的图像分割方案,成为图像引导放疗技术领域的迫切需求。近年来随着深度学习技术的不断发展,基于深度学习的自动图像分割方法也取得了飞速的发展,为肿瘤靶区自动且高精度分割带来了契机。论文以公开Bra TS数据集的MRI多模态图像为分割对象,利用卷积神经网络来实现并优化脑肿瘤的自动精准分割。通过建立卷积神经网络分割模型,从MRI多模态图像中自动分割出目标区域。本文研究了一种基于UNet++的二维图像分割算法。首先将Res Net中的残差模块改进融入U-Net和UNet++中,利用改进的残差模块保留最小特征图包含丰富语义信息的特点,提高网络编码器的特征提取能力。用改进的U-Net对Bra TS 2018的二维切片数据进行训练,因为改进的U-Net和改进的UNet++具有部分相同网络结构,所以引入迁移学习思想,将训练好的改进的U-Net网络权值迁移到UNet++网络中对应相同的位置,实现权值的初始化操作,加快网络收敛速度,同时使分割精度更优。在Bra TS 2018数据集中对二维切片数据进行训练和验证,仿真实验结果证明该方法实现有效的脑肿瘤的分割。对Bra TS 2018的3D切块数据进行训练验证,通过仿真实验证明了改进方法的泛化性,对于3D UNet++网络仍具有良好的效果。在保持目标保真度的同时,设计更加轻量化的3D UNet++网络。首先对MRI图像进行预处理执行标准化、交叉分块和数据增强,从而消除各个模态间的对比度差异,提高网络的泛化能力。然后设计轻量级残差结构替代UNet++中双层卷积结构,使之相较于直接使用双层卷积结构网络,计算量和参数量有了巨幅减少。为了对类残差模块进一步轻量化,本文构建了轻量化类残差结构。最后采用CBAM注意力机制,对长连接后的特征图进行信息筛选,使网络自动关注有效信息,进一步提高网络分割精度。通过对Bra TS 2019的3D切块数据进行测试,本研究所设计的轻量级卷积神经网络相较于直接使用改进的3D UNet++网络,参数量是后者的1/13.4,计算量是后者的1/3.7,参数量减少了31425331,计算量减少了1817.96G,使得实际医疗部署对设备要求更低,推理速度更快。同时,通过实验证明该方法有效地提升了分割精度。