脑肿瘤分割对于脑肿瘤放射治疗计划的制定和疗效评估具有重大意义。由于脑肿瘤的大小、形状各不相同并且位置难以确定,常用的手动分割方法耗时耗力,分割结果也会受到专家个人经验的主观影响。卷积神经网络（Convolutional Neural Network,CNN）中的U-Net网络使用编解码结构,并且在编码结构与解码结构的同一层使用了跳跃连接,可以将编码部分与解码部分的特征融合,常被用于脑肿瘤图像的分割中。在使用U-Net网络进行脑肿瘤图像分割中,存在因感受野较小导致脑肿瘤的位置无法精确定位;依赖固定的权重导致部分特征丢失和计算负担加重;浅层网络不利于学习图像中更高级的语义特征而导致分割结果不精确的问题。针对感受野较小导致脑肿瘤的位置无法精确定位的问题,本文提出了一个基于感受野扩增（Receptive Field Block,RFB）的U-Net脑肿瘤分割模型（RFB-U-Net）,在U-Net中引入RFB模块,RFB使用空洞扩张率分别为1、3、5的空洞卷积来扩大网络的感受野,使网络能更加清晰的定位脑肿瘤的位置。针对网络依赖固定的权重导致部分特征丢失和计算负担加重的问题,本文设计了一个有效注意力模块（Effificient Attention Module,EAM）,并提出了一个基于注意力机制的感受野扩增U-Net脑肿瘤分割模型（EAM-RFB-U-Net）。EAM使用通道注意力机制和空间注意力机制来增强网络对病灶区域的学习,增强了网络对脑肿瘤特征的学习能力。针对浅层网络不利于学习图像中更高级的语义特征导致分割结果不精确的问题,本文提出了一个基于注意力机制的感受野扩增U-Net的堆叠网络的脑肿瘤分割模型（Stacked Network of Receptive Field Amplification U-Net based on Attentional Mechanism,S-EAM-RFB-U-Net）。该模型将一个简化的U-Net模型与一个简化的EAM-RFB-U-Net模型进行堆叠,增加了网络的深度,提高了网络对输入特征的拟合能力以及特征学习能力和留存信息的能力。为了验证本文提出的方法的分割性能,在Bra Ts2019数据集上进行了实验对比。使用三种评价指标对分割结果进行客观评价,并通过可视化对实验结果对比分析,验证了本文算法的有效性。