神经胶质瘤是一种严重威胁人类健康的疾病,对神经胶质瘤图像的精准分割能够协助医师更有效的找到癌细胞并对以后的治疗带来帮助。由于癌细胞的浸润性生长,使其与正常脑组织之间并无明确界限,造成分割的任务受到了不少挑战。目前神经胶质瘤图像的分割主要依靠医生进行人工分割,这不仅会加重医生的负担,占用大量人力,而且医生在分割过程中可能会出现误判的情况,所以越来越多的研究者开始关注依靠基于深度学习的神经胶质瘤图像自动分割方法。近年来,在许多图像分割竞赛中,人们依靠深度学习取得了一系列成果。本文针对神经胶质瘤图像分割做了以下工作:（1）将U型卷积神经网络（UNet）网络作为基本结构,考虑到该网络对于信息获取不充分的问题,提出一种基于空洞卷积金字塔模块的二维UNet分割网络模型。通过引入空洞卷积金字塔,扩大卷积核的感受野,使模型可以获取多尺度特征。将数据进行去偏移校正和配准,使图像能够过滤噪声,保持最优的信息特征,同时考虑到数据集较小的原因,采用数据增强技术对数据集进行扩充。（2）为了能够充分利用不同切片之间的空间信息,本文选用3DUNet网络作为基础结构,提出了三维层面的改进UNet网络的神经胶质瘤分割方法,并将UNet网络中的卷积模块改进成残差模块,简化网络训练的同时又可以保证在残差单元内的跳跃连接以及网络的低层次和高层次之间的信息传播而不会出现梯度消失,最后在网络的级联部分引入挤压和激励网络（SE-Net）作为注意力机制模块,使网络可以更多的关注重点区域。（3）提出了一种基于多序列融合的三维神经胶质瘤图像分割方法。神经胶质瘤图像包含四个序列,且每个序列都有不同的特点。为了能够充分利用四个序列的信息,本文在数据输入之前增加了一个多序列融合模块;为了降低网络复杂度,在级联部分引入了高效通道注意力网络（ECA-Net）;并在解码区引入空洞卷积金字塔模块扩大感受野。三者共同作用,提高网络对于神经胶质瘤图像分割的性能。