脑胶质瘤是来源于神经系统胶质细胞和神经元细胞肿瘤的统称,是由于大脑和脊髓胶质细胞癌变所产生的、最常见的原发性颅脑肿瘤,占颅内肿瘤的35.26%～60.96%。脑胶质瘤难以治疗且容易复发,患者死亡率也较高。利用多模态的核磁共振影像可以有效的发现胶质瘤病灶区域,但是这同时会生成大量的MRI序列图像,使得人工分割脑胶质瘤区域的效率非常低。基于MRI的脑胶质瘤分割有助于医生对医学图像进行定量的分析。同时,对脑胶质瘤的病灶区域进行精准的分割还有利于提高计算机辅助诊断系统的效率,例如使用深度学习技术对脑胶质瘤患者构建预后模型,以便对脑胶质瘤患者精准的个体化治疗提供帮助,也有利于延长患者生存时间以及提高生活质量。因此,针对脑胶质瘤不同区域的精准划分以及利用病灶区域进行预后模型的构建成为了脑胶质瘤的计算机辅助诊断中的重点和难点。本论文主要针对使用深度学习技术对脑胶质瘤进行分割以及预后模型构建的方法展开讨论和研究。研究主要内容包括:（1）从多模态MRI中对胶质瘤组织进行可靠的分割具有很重要的临床价值,但是由于脑胶质瘤本身及周边组织较为复杂以及浸润性导致的边界模糊等原因,导致对脑胶质瘤的自动分割有一定的难度。针对这一问题,本文提出了一种基于融合损失函数的3D U-Net++脑胶质瘤分割网络。首先,将四个模态的MRI数据进行预处理以便进行更为顺利的深度学习网络训练;然后使用3D U-Net++网络来对脑胶质瘤的不同区域进行分割,该网络使用不同层级的U-Net模型进行密集嵌套连接,使用网络的四个分支的输出结果作为深度监督以更好的结合深层和浅层的特征进行分割;并结合了Dice损失函数和交叉熵损失函数作为融合损失函数。同其他方法相比,本文中的方法有效的提升肿瘤各区域的分割精度,尤其小面积区域的分割精度。（2）针对3D U-Net++网络中网络参数量过大,而且获取不同层级的特征的方式较为间接的问题,本文使用了3D U-Net3+的脑胶质瘤分割网络,该网络变更了3D U-Net++网络的整体结构,在编码器阶段中每个下采样后直接对解码器阶段中不同层级的解码器分别进行连接,而每个解码器阶段之间也会进行密集的连接。损失函数也使用了Dice损失函数和交叉熵损失函数融合的损失函数。使用深度监督对于3D U-Net3+网络的分割性能有一定的提升。同3D U-Net++相比,3D U-Net3+可以有效的提升脑胶质瘤中各个区域的分割精度,且网络的参数量也有显著的降低。（3）针对脑胶质瘤的预后模型需要使用大量的个体患者数据进行构建,而当数据过于复杂的时候传统的统计技术无法有效而快速的构建模型时,深度学习技术有着独特的优势。在脑胶质瘤预后模型构建方面,本文中使用了卷积降噪自编码器来提取特征,使用重构损失函数来进行特征提取,使用Cox比例风险回归模型作为损失函数,极大的优化了针对生存期预测特征的提取。使用Kaplan-Meier、时间依赖性AUC等方法来对模型的有效性进行验证。最后使用一致性指数（C-Index）来对预后模型进行评估。实验结果表明,本文方法和其他方法相比,具有更高的准确度。本研究针对从多模态的MRI中对脑胶质瘤自动分割,构建了使用混合损失函数的3D U-Net++以及3D U-Net3+网络,并进行网络内不同分支以及网络间的分割性能对比。在取得较好的分割结果后,构建了基于DAE和比例风险回归损失的脑胶质瘤预后模型,并验证了模型的有效性以及准确性。这些结果不仅为脑胶质瘤的自动化分割提供了精度更高的分割方法,还提供了使用脑胶质瘤的多模态MRI数据的有较好预后效能的模型,可以帮助医生为脑胶质瘤患者更好的进行预后诊断以及提供更精准的个体化治疗。