由于医学成像技术的复杂性及脑胶质瘤表面高度的异质性,对人脑神经胶质瘤的图像分割与三维重建一直是医学影像分析中最具挑战性的任务之一。在脑胶质瘤的病理分析过程中,通常由医生手动对胶质瘤的结构进行划分,不仅费时费力,且过度依赖医生的病理学经验。传统的医学图像分割算法通常容易受到噪声、人工干预等外界因素的影响,从而无法保证分割精度。通过对UNet++医学图像分割网络及三维重建算法进行研究,探索其在MRI脑肿瘤图像上的表现力,并分别从UNet++网络结构的改进、MC算法优化、脑肿瘤辅助诊断系统的开发三个方面进行研究。主要工作内容如下:（1）探索改进的UNet++医学图像分割算法在脑胶质瘤自动化分割中的应用。在原有网络结构的基础上,将解码器下采样阶段进行跨通道融合,并引入新的深度监督方案,此时改进后的网络能够融合全尺度下的粗粒度语义和细粒度语义信息。在公开的Bra TS脑肿瘤分割数据集中的335例图像上进行分割实验,采用2D与3D对比分割实验综合评价改进后网络的分割性能,将分割结果与UNet、UNet++、UNet3+医学图像分割网络的结果进行对比。使用DSC相似度系数、95%Hausdorff表面距离、Sensitivity、PPV四个指标综合评价上述四种分割算法的性能。实验表明改进的算法使神经胶质瘤的分割结果与金标准在区域上有更多的重叠,可以更好的完成脑胶质瘤的分割任务。在临床应用中,能够帮助神经外科医生高效地分离脑肿瘤与人脑周围组织,从而实现快速的计算机诊疗。（2）在完成对胶质瘤分割后,使用MC面绘制算法和错切变形体绘制算法对分割后的切片图像进行三维重建,以便医生从多个角度对脑肿瘤的病理结构进行分析。使用自适应三线性逼近算法和渐近线法消除了MC算法中存在的近似表示和连接二义性问题,使得重建结果更加精准。利用C++和Python程序设计语言分别实现上述算法,并将MC面绘制与错切变形体绘制算法的重建结果及算法的执行时间进行对比,总结两种算法的优缺点。（3）将改进后的分割算法及三维重建方法结合VTK、Simple ITK、Open GL等开发工具,使用Python程序设计语言在QT平台中搭建了脑肿瘤图像分割与三维重建辅助诊断系统,实现了医学图像读取、图像预处理、图像分割及三维重建等功能。该系统保持了良好的可操作性和拓展性,能够帮助医生在脑肿瘤模拟治疗方案、手术规划及解剖学研究中发挥重要作用。