脑瘤是一种严重的癌症疾病。由无法控制的异常细胞分裂引起的。近年来,它已成为许多人死亡的主要原因。在所有肿瘤中,脑肿瘤是一种最严重的肿瘤。为了检查脑,肺,前列腺,肝或乳腺中的肿瘤疾病,使用了不同的图像技术,例如计算机断层扫描（CT）,超声图像和磁共振成像（MRI）。近年来,深度学习获得了突破性进展,其中图像识别成为热点研究问题。深度学习在医学影像识别领域得到了广泛的应用。对于视觉学习和图像识别,CNN是最普遍且最常用的机器学习算法。在论文中,我们介绍了卷积神经网络（CNN）方法以及数据增强和图像处理的方法。然后使用CNN方法对脑部MRI图片进行分析,将脑部MRI扫描图像分为癌性和非癌性。首先,我们通过裁剪感兴趣的区域来应用图像处理技术,然后为了防止过度拟合,我们在预处理的MRI图像上应用了数据增强技术以增加数据集的大小。我们通过包含8个隐藏层的CNN模型和Adam优化器来减少模型中的损失。我们使用转移学习方法对数据进行了训练。我们比较了本文的CNN模型与预训练的VGG-16,ResNet-50和Inception-v3模型的准确性。虽然在很小的数据集上进行了实验测试,但是实验结果表明,我们的模型精度结果非常高,精确度达到了100%,并且复杂度较低,而VGG-16的精度为96%,ResNet-50的精度为89%,Inception-V3达到了75%的准确性。此外,还评估了所提出的CNN模型的精确度,召回率,F1得分和ROC曲线,并将其与其它预训练模型进行了比较。实验结果表明,我们的模型所需的计算能力非常低,并且精度结果要好得多。