脑胶质瘤是能产生严重后果的原发性脑部肿瘤之一,它是由于大脑和脊髓胶质细胞非正常增生所引起的,具有患病人数多、复发率高以及较难治愈的特点,若早发现早介入,可以明显提高患者的生存质量。磁共振成像是一种广泛应用的脑胶质瘤诊断技术,从磁共振影像数据中分割出脑胶质瘤不同的病理区域是众多医学治疗过程的前提,但是由于磁共振影像数据量大,医生或者放射科大夫无法在短时间内对影像进行人工分割,且已分割部分无法做到很高的精确度,分割工作严重依赖相关专家,如果分割操作可以在计算机上自动执行,则相关问题都可以得到解决。因此,设计自动可靠的分割方法,成为脑胶质瘤诊断和治疗所亟需解决的问题。现有的脑胶质瘤磁共振影像自动分割方法主要分为两种,一种是传统的分割方法,一种是深度学习分割方法。传统的分割方法需要人为干预,并没有实现完全的自动分割,鲁棒性较差,分割结果仍然存在较大的误差;深度学习分割方法克服了传统分割方法的缺点,不需要人为干预,可以实现全自动分割,鲁棒性较好,且分割效果也较好。但是,深度学习分割方法仍然存在精度较差,计算资源需求较多等缺点,针对以上问题和背景;本论文完成了如下工作:1.设计了一种使用门控和自适应注意力的图像分割模型,根据人脑的注意力机制,引入了自适应注意力单元和门控残差单元,能够使用注意力机制分辨出需要关注的图像特征的重点区域,从而对重点区域分配更多的资源,使得分割模型的性能获得提升。2.设计了一种具有密集通道的网络模型,通过增加特征提取的数量,使得分割模型的性能获得提升,但是需要消耗大量的计算资源和存储资源。3.设计了一种多特征提取网络模型,通过多特征提取网络能够提取更丰富的特征,同时可以显著减少网络耗费的计算和存储资源,且分割模型的性能获得提升。同时,根据上述分割模型,还设计了一种脑胶质瘤自动分割原型系统。4.提出了一种使用多路径特征挖掘单元作为网络的基本组成单元用来提取更丰富特征的图像分割模型,其独特的多路径特征挖掘单元可以根据操作之间的组合提取更加多样的特征。为了在边缘计算设备上使用分割模型,还设计了一种轻量化的多路径网状分割模型,其所需要的计算资源和存储资源远远小于基准模型。