脑肿瘤是脑部常见的多发病症,其中,胶质瘤是最具侵蚀性的恶性脑肿瘤之一,严重危及患者的生命。因此,基于医学图像分析的早期诊断和治疗尤为重要。在各类医学成像技术中,用于人体内部多模态成像的核磁共振成像技术（Magnetic Resinance Imaging,MRI）是常用的医学诊断工具之一。然而,仅靠医生手动将各个模态结合并完成精细分割耗时耗力,如何有效对脑肿瘤进行自动分割成为重要的研究内容。基于深度学习算法的图像分析是目前最为火热的研究方向,通过设计卷积神经网络（Convolutional Neural Network,CNN）或Transformer可直接端到端的完成图像语义分割等视觉任务。然而,经典深度学习算法在处理脑肿瘤MR图像时仍存在一些问题:（1）传统CNN在建模时缺乏对脑肿瘤特性的理解;（2）3D CNN及Transformer在处理体积图像时会面临极高的参数和计算复杂度;（3）经典模型泛化性较低,网络架构仍需根据特定的图像信息进行优化和改进。针对上述问题,本文从图像语义分割算法的角度出发,探索并应用了基于深度学习的分割方法,提出了3种基于卷积神经网络和Transformer的医学图像分割模型。（1）切片样本中存在肿瘤尺寸和类别的不平衡,该不平衡问题直接影响了模型最终的分割相似度。同时,U型网络在进行跳跃连接时忽视了特征的兼容性,容易导致模型整体出现语义混乱。针对该问题,本文提出一种2D多尺度网状聚合特征提取CNN（MSMANet）,通过多尺度上下文建模以及网状聚合的方法,缓解上述不平衡和语义鸿沟的问题。首先,模型编码器中引入改进的Inception模块代替标准卷积,以从不同尺寸感受野下提取并聚合有效的特征。其次,提出一种新的网状聚合策略,使得浅层特征逐步细化,继而缓解编解码器之间的语义鸿沟问题,同时,网状聚合策略最大化地聚合不同尺度下的多等级特征,实现了特征之间的优势互补。最后,通过合理地布置注意力机制以及深监督策略,有效地提高网络了识别和收敛能力。（2）2D CNN无法充分利用3D图像全空间上下文信息,而传统3D CNN存在计算量过大问题。针对该问题,本文提出一种3D超轻量级幽灵空间金字塔CNN（GSPNet）。首先,网络中使用幽灵模块代替标准卷积以减小网络的计算量。其次,我们基于幽灵模块提出一种新的轻量级幽灵空间金字塔卷积（Ghost Spatial Pyramid,GSP）模块,该模块在编码路径以极低的计算代价学习到不同感受野下的特征,从而提高网络的表征力和多尺度特征处理能力。最后,使用残差幽灵模块作为解码器以细化语义信息,同时避免网络退化。（3）传统CNN存在固有的归纳偏置,设置的卷积操作通常无法对远距离特征进行建模,从而使模型无法捕获全局上下文信息。对此,本文继续对提出的GSPNet进行改进,提出一种结合自注意力和Meta Former的轻量级模型（GMeta Net）。GMeta-Net包含一个共享编码路径和两个解码路径,其中,编码路径利用本文提出的GSP和幽灵自注意力（Ghost Self-attention,GSA）提取局部和全局上下文特征,而两个解码路径则分别继续对局部特征和全局上下文特征进行建模。GMeta Net的局部解码器与GSPNet的解码器相同,而全局解码器则引入改进的Meta Former架构来处理包含全局信息的高级语义特征。同时,我们将局部解码路径中的特征图融合至全局解码路径,利用不同分布的局部特征来增强全局解码路径的表征,同时减轻重新建模的计算量。局部-全局解码器在最后被添加了辅助损失,而主损失函数则作用在融合了局部和全局上下文的特征图之后。