随着当代社会的发展以及人们生活方式的变化,脑癌及脑血管疾病逐渐成为中国死亡率较高的疾病之一。在临床中,通过在多模态Magnetic Resonance（MR）图片上准确提取出脑肿瘤区域,能够让医生有针对性地进行脑肿瘤的体积测量、监测患者的脑肿瘤生长并制定治疗计划和随访评估。然而,人工分割脑肿瘤MR图片是一项非常繁琐、耗时且容易出错的任务,主要是由于操作者容易疲劳、分割主观性较强以及影像数据过于庞杂,容易出现不准确的诊断,因此在MR图片中自动化分割脑肿瘤区域成为医学图像处理的重要研究方向之一。本文针对目前脑肿瘤MR图像分割算法所存在的局部感知域受限,泛化能力弱以及训练参数量过多等问题,提出了基于全卷积神经网络和注意力机制的改进分割算法。算法使用Medical Image Computing and Computer Assisted Intervention Society（MICCAI）协会发布的数据集Bra TS2018。研究工作的主要内容有:（1）为提升模型的泛化能力,受迁移学习和深监督学习的启发,论文基于Hierarchical Mimicking Strategy（HMS）建立了多路解码器分支,使用Kullback-Leibler（KL）散度损失促进解码器分支之间的知识交流,从而正则化编码器的训练过程。此外,论文还针对脑肿瘤MR图像中存在的正负样本极不均衡的现象,提出了将Dice Loss与Focal Loss有机结合的方法,使得各解码器分支重点关注极难样本的分割,通过加强模型的泛化能力提升了模型的分割精度。（2）为进一步提高优化后的3D U-Net算法的分割准确率,本文在原先算法的基础上提出了改进的Hierarchical Mimicking Strategy based K-Means Attention on 3D U-Net（HMS-KMAUN）分割模型。该模型所使用的K-Means Attention（KMA）机制不但具备传统的attention机制能跨过局限的感知域为单一像素点计算全局信息相关度的优点,还基于k-means聚类算法,将计算点与所有其他点的相关度优化为计算点与其他基类的相关度,从而大大降低了算法时间复杂度。通过计算相关度得到的attention map能更有效地指导模型分割,进一步提升了模型的分割精度。（3）论文针对临床中因3D U-Net运行参数量较高而在一定程度上限制了模型部署的实际问题,在KMA的基础上提出了改进的基于图深度学习的Forward Recomputation Backpropagation based K-Means Attention on 3D U-Net（FRB-KMAUN）分割算法。该算法将网络模型分成多个子图,每个子图内部会自动存储前向传播信息,在后向传播时借助缓存信息和重计算能够有效削减模型运行时大量产生的中间运行结果。最终使得模型在维持精度不变的情况下更加轻量化。实验证明论文提出的HMS-KMAUN算法对脑肿瘤水肿、核心以及增强区域分割的平均Dice分数都得到了较明显的提升,有效地解决了脑肿瘤MR图像分割中模型泛化能力弱,图像分割精度不理想等问题,同时提出的FRB-KMAUN模型,在分割精度良好的情况下运行时参数量较其他模型减少了30%以上,具有较好的临床实践价值和应用前景。