脑肿瘤是儿童群体中发病率较高的实体瘤,儿童时期的脑肿瘤占全年龄组脑肿瘤的15.5%,且具有较高的致死率。及早发现并确定儿童脑肿瘤的生长位置、形状大小、良恶性等能够极大地提升患儿的生存率,改善预后情况。磁共振成像技术（MRI）以无创无辐射的方式,对患儿的脑肿瘤组织进行高分辨成像,反映儿童脑肿瘤的结构、灌注等的信息,因此MRI成为儿童脑肿瘤的诊断的重要影像依据。随着磁共振技术的不断发展,临床磁共振扫描中出现了能够反映组织扩散灌注水平的功能型序列,例如体素内不相干运动成像序列（Intravoxel Incoherent Motion,IVIM）、扩散加权成像序列（Diffusion Weighted Imaging,DWI）及动态磁敏感对比增强序列（Dynamic Susceptibility Contrast,DSC）等。特别是IVIM序列能够将组织的扩散和灌注效应进行区分,从而弥补了传统弥散灌注序列的不足,但目前国内对于IVIM的研究较少,因此在临床中较少被应用。近年来许多研究通过多模态MR图像结合分析的方式,结合各个模态的优势极大地发挥了多模态磁共振影像在脑肿瘤诊断中的临床价值。以往影像科医生需要手动对MR图像逐层分析,因此诊断过程极为耗时,且易出现人为因素导致的诊断偏差。但随着机器学习和深度学习在医学图像分析领域的广泛应用,计算机辅助诊断方法在脑肿瘤诊断分析中取得了较大突破,能够解决人工分析的问题。本研究收集了60例儿童脑肿瘤多模态磁共振数据,包含IVIM及T1、DWI、DSC序列。研究中首先设计了一套数据预处理方案,其次使用机器学习方法和深度学习方法对经过预处理的多模态MR图像进行了脑肿瘤分割和脑肿瘤良恶性分类研究。最后对卷积神经网络分类模型进行了可视化。探究了IVIM序列在儿童脑肿瘤分割问题和脑肿瘤良恶性分类中的应用价值,结果表明IVIM在良恶性分类研究中的表现优于脑肿瘤分割研究,具有重要的临床价值。在脑肿瘤分割研究中,使用U-net训练多模态MR的脑肿瘤分割模型,对比了两种图像选层方式,结果表明包含IVIM的序列组合所训练的分割模型效果欠佳。本研究使用影像组学方法对儿童脑肿瘤的良恶性进行分类,提取了14种序列组合的高通量的影像组学特征,经过特征筛选后进行分类器的训练。分类性能较好的模型中,由IVIM计算的D map的Gini指数较高,证明IVIM了具有较强的肿瘤良恶性判别能力。其次本研究还通过迁移学习方法进行了儿童脑肿瘤良恶性分类建模,分别探究了特征提取式迁移学习和微调式迁移学习两种方法。实验中选用了VGG19和Alex Net预训练模型作为特征提取器,提取了卷积层和全连接层的深度特征,对特征筛选后进行分类器训练。同时本实验对比了以11种模态组合方式,3种输入裁剪方式,4种微调策略对分类模型性能的影响。包含IVIM的序列组合所训练的良恶性分类模型具有较高的分类精度。本实验还提出了Patch Net和Slice Net两种自定义的浅层卷积神经网络进行脑肿瘤良恶性分类,其中Patch Net分类性能较Slice Net更好。最后本研究对基于微调式迁移学习中获得的分类模型进行了深度神经网络可视化研究,分别对该网络进行了卷积核可视化,呈现了前向特征图可视化和后向特征图可视化图像,计算了类别激活映射图。直观展示了网络的工作机制,从而增加了分类模型的可信度。本研究基于IVIM等的多模态磁共振影像进行脑肿瘤的分割和良恶性分类研究,证实了IVIM序列在脑肿瘤诊断中的应用价值和前景。同时提出了儿童脑肿瘤智能辅助诊断中的多模态MR解决方案,并取得了良好的结果。