脑部胶质瘤是全球青少年致死率排名第二的恶性肿瘤,其核磁共振图像的准确分割对诊断和治疗至关重要。随着计算能力与速度的提升,人工智能技术得到了快速发展,深度学习算法在生物医学图像分割中显示出巨大的优势,越来越多的计算机辅助医疗技术应用到临床医学中。U-Net作为医学影像分割的基石,以其编码器-解码器的端对端结构,在脑肿瘤、身体器官、细胞核等分割任务中取得了很好的效果,并为后来的工作提供了研究基础。然而,正是由于这种结构导致网络具有庞大的参数量,对分割速度、内存和能耗带来了很大挑战。针对以上问题,本文从轻量化模型的角度出发,主要做了以下工作:（1）首先,在图像分割任务中普遍存在类别不平衡问题,尤其在医学图像中该问题更加突出,本文分割的脑部胶质瘤图像同样存在类别不平衡问题。为了减少类别不平衡问题对分割准确率的影响,本文提出了用于图像分割的损失函数BCEDice Loss,通过加权求和的方式结合了基于交叉熵的平衡交叉熵损失函数和基于交并比的重合度度量损失函数Dice损失函数。在Bra TS数据集上进行了实验,分别使用本文提出的损失函数和平衡交叉熵损失函数进行了对比,在U-Net和本文提出的网络中都取得了更好的效果。（2）其次,在编码器-解码器结构的网络中,解码器往往只提供一个编码向量给解码器,导致在解码过程中输入信息几乎消失殆尽,细节特征损失严重。因此,本文提出了一种全局注意力模块,可以更好地捕捉长距离依赖。并在该模块模块中融入了传统卷积、空洞卷积、转置卷积三种卷积方式,计算特征图中任意两位置之间的相关性。此外,该全局注意力模块中同时融合了空间注意力机制和通道注意力机制,通过实验验证了模块内部使用级联的连接方式更有利于模型性能的提升。从空间和通道上全方位的获取特征之间的依赖,通过全局注意力模块将空间和通道上的重要特征进行编码,使网络的特征表征能力更强。（3）U-Net被认为是医学图像自动分割的基石,但是由于庞大的参数量时常出现内存占用、速度慢、耗能源的问题。受Squeeze Net网络的启发,本文提出了轻量化网络SU-Net。用Fire模块来代替U-Net中的卷积层,通过改变卷积方式来压缩模型参数量,为了在压缩参数的同时保证网络的分割能力,设计上下采样模块代替简单的池化层和上采样层,避免了直接采样带来的特征损失,并使用损失函数BCEDice Loss训练网络。将U-Net作为基线网络,SU-Net的参数压缩了50%,并将平均DSC从80.40提高到81.34。（4）最终,结合以上提出的BCEDice Loss损失函数、全局注意力模块和轻量化模型策略,本文提出一个全局注意力网络GAU-Net。将全局注意力模块融合到U-Net网络中,在网络中使用了大量的残差连接,以Fire模块和采样操作为主干,旁路连接步长为2的卷积层就可以实现上下采样模块,其实现的作用相当于U-Net中两层卷积和一层采样层,但是大大减少了网络的参数量。在数据集Bra TS上进行了实验,仅以相当于U-Net 5.4%的参数量将平均Io U值从0.65提高到0.75。同时,推理时间也显著缩短,具有相对较好的性能。本文提出的算法,认真考虑了算法实现过程中遇到的实际问题,如内存占用、耗时严重、硬件嵌入难等,在U-Net的基础上对图像分割网络进行了研究与改进,并且在脑部胶质瘤分割任务中取得了较好的结果,为以后的图像分割算法研究和发展提供了一定的思路。