胶质瘤是成年中较为常见的原发性脑肿瘤,发病率约占恶性脑肿瘤的百分之八十,其致残和致死率极高,对人们的生命健康产生了严重威胁。核磁共振成像(Magnetic Resonance Imaging,MRI)是胶质瘤诊断和治疗中必不可少的工具。医生通过对MRI中胶质瘤区域的分析,可以掌握胶质瘤的位置、形态、评估其恶性程度。然而,目前MRI中胶质瘤区域一般通过手工分割,是一项低效且费力的工作,另外,手工分割的结果大多是不可重复性且易受主观因素影响。近年来,深度学习(Deep Learning,DL)被广泛应用于脑肿瘤分割领域,但由于脑肿瘤的侵润性生长,边界模糊等特性,以及不同病人之间脑肿瘤形状,大小和位置的多样性,精确地脑肿瘤分割方法的研究是一项较为困难的任务。为解决上述问题,本文提出了两种新颖的基于多模态核磁影像和全卷积神经网络的分割方法:端到端的多任务级联引导模型和联合多视角信息交流的多任务卷积网络。第一种模型以一种多任务级联方式将多模态MR图像分割成三个相互包含的层次区域:整个肿瘤,肿瘤核心,增强肿瘤,每个任务针对其中一个区域,且当前任务获得的分割区域作为下个任务的先验知识来引导该任务的训练,从而提高后续任务的分割精度。第二种模型基于多视角MRI信息(轴向,冠状和矢状面),通过构建三个平行的包含注意力机制的分支网络,分别处理一个视角的分割任务,并且进行多视角信息融合,从而获得更好地分割结果。本文提出的两种深度学习模型在BraTS 2017数据集上进行了实验,其实验结果表明,提出的方法与现有方法相比,可以有效提高胶质瘤的分割精度。