脑胶质瘤是一种恶性脑肿瘤,其发病率和死亡率较高。医生通常通过多模态的磁共振影像进行病灶区域的识别和切除。较大的切除区域能保证病人的生存期,但会影响脑部的正常功能。影像组学使用机器学习方法辅助医生对病灶区域进行精准的划分。目前,基于深度学习的分割技术在医学图像分割领域表现良好,研究工作到达了逐像素语义分割的层次。然而,当前算法存在如下问题:1、以池化层为特征降维手段,导致了特征信息的丢失;2、对多尺度特征间的关联性无法很好的表达。对此,本文进行了如下工作:一、针对现有模型采用池化层提取多尺度特征时存在的空间位置信息丢失问题,本文提出了串行空洞卷积结构用来保证分割模型提取特征的完整性。该结构由不同尺度的空洞卷积层、1×1特征转换层和softmax特征分类层组成,其特征提取结构的参数量仅为经典网络的0.6%。多个数据集上的实验结果及特征可视化结果表明,新的结构能在参数量较少的情况下获得高分辨率的分割图像。将该结构运用于脑胶质瘤的磁共振影像处理,分割精度提升了3%。二、针对现有方法无法表达不同尺度的特征间相关性的缺陷,本文设计了基于空洞卷积的密集连接网络DDNet（Dense-Dilated-Net）,用来提取多尺度特征关联信息。结合空洞卷积不改变特征图大小的独特性质,构建了密集的特征融合网络,从而提高样本利用率,提高分割性能。该结构在Brats2017的数据集上的分割精度较经典方法,在完整肿瘤区域、增强肿瘤区域和非增强肿瘤区域分别提高了7.8%、5.7%和3%。