胶质瘤是一种常见的神经系统肿瘤,根据不同类型的胶质瘤制定不同的个性化治疗方案将有助于提高患者的生存期。目前胶质瘤的分级分型主要通过临床活检获得,但由于胶质瘤位置的特殊性,活检具有一定的风险。因此,如何无创地准确的预测胶质瘤的分型和分级,对治疗方案的有效制定具有重要的意义。影像组学作为一门新兴学科,通过提取高通量图像特征,建立影像特征与肿瘤类型之间的关系,进而实现肿瘤类别的预测,目前已成为肿瘤分级分型预测研究的主要手段。但由于传统影像组学特征鲁棒性不足,其预测能力有限。本论文针对这一问题,提出基于小波散射网络的胶质瘤分级分型预测方法。具体工作如下:（1）提出基于小波散射特征预测胶质瘤级别。从多模态磁共振图像的肿瘤区域中定量提取传统影像组学以及基于小波散射的影像组学特征,进行特征筛选之后建立胶质瘤组织学分级预测模型。在不同模态数据下对所提出的方法与传统影像组学的胶质瘤分级预测能力进行了对比,并探讨了肿瘤周围区域提取的特征对于胶质瘤预测的作用。研究结果表明,基于小波散射特征预测胶质瘤级别的准确率更高,特征更鲁棒。（2）针对大部分现有研究依赖勾画肿瘤区域ROI的问题,提出深度学习结合小波散射方法对胶质瘤分子分型进行预测,该方法利用深度学习特征、小波散射特征并结合多尺度思想在仅需要包含肿瘤最大区域定界框的情况下实现分子分型的预测。同时使用了可视化方法以及定量方法进一步分析了所提出方法提取特征的优越性,证实了在不使用ROI的前提下,本文方法仍能准确的预测胶质瘤的分子分型。