近年来各领域的科学技术智能化迅速发展,人们的生活水平得到了极大地提高,同时对生活质量的要求,尤其是对身体健康问题的关注度也日益增高。脑肿瘤作为严重威胁人类健康的疾病之一,近几年发病率逐渐上升,给人们带来了一定的恐慌。为防止肿瘤恶性发展,早期的医疗诊断以及相应的治疗方案至关重要。当前核磁共振成像（Magnetic Resonance Imaging,MRI）通过产生高分辨率的脑部影像,对脑部肿瘤进行鉴别,在辅助医疗诊断与临床治疗发挥着重要作用。由于脑肿瘤的形状、位置、大小和边缘存在较多不确定因素,所以目前在脑肿瘤诊断中,肿瘤鉴别和分割工作主要是由临床专家手动进行标注分割,有不同的专家对脑肿瘤的认知具有差异性,分割效率较低。当前研究在分割脑肿瘤MRI图像时,肿瘤的边缘复杂度较高,位置不确定,在分割过程中仍有局部信息损失、冗余信息较多的情况,影响了分割精度;另外在上下文信息联系方面,对分割精度也有较大影响。因此脑肿瘤的自动分割技术对当今医疗界疾病的诊断显得尤为重要。针对以上问题,着眼于脑肿瘤自动分割模型的改进,综合运用医学图像处理领域成熟有效的方法,提出了一种新型的全尺度特征融合的脑肿瘤图像分割方法。首先,使用控制门单元实现全局各个尺度特征图的跳跃连接,捕获低级特征的语义信息和高级特征的细节信息,加强网络上下文的联系,其中卷积过程的深度门控卷积模块降低特征信息在逐层传递的信息损耗,提取更加精确的肿瘤边缘信息;接着,下采样过程中使用组合池化的方式,提高对特征整体和边缘分割的精确度;最后,在上采样过程中采用了双线性插值计算恢复图像的分辨率,网络模型中加入了特征增强模块,把网络的注意力集中于需要分割的特征,抑制冗余信息的产生,防止网络过深产生退化以及网络梯度消散的问题。改进模型除了提高脑肿瘤的分割精度外,同时减少网络的参数量,提高网络的计算效率。为验证本文方法的有效性,在数据集Brats2018和Brats2019进行了脑肿瘤分割实验和不同方法的对比实验。实验结果表明,整体肿瘤区的分割Dice相似系数（Dice Similariy Coefficient,DSC）表现超过了0.92,对核心肿瘤区与增强肿瘤区的分割Dice相似系数同样取得了0.84和0.83的高评分;对整体肿瘤区、核心肿瘤区与增强肿瘤区的预测脑肿瘤分割的Hausdorff距离降至0.77、1.50和0.92,真实脑肿瘤边界与预测脑肿瘤边界距离较小,预测分割结果与真实分割标签相似度较高,对脑肿瘤分割区域的分割精度均较高,具有良好的分割性能。该论文有图34幅,表8个,参考文献56篇。