脑肿瘤作为人体中的致命性肿瘤之一,发病率仍在逐年提高,其中胶质瘤、脑膜瘤和垂体瘤是三种危害较大的难治性肿瘤,通常会导致神经压迫进而侵蚀周围脑组织,容易引起颅内压水肿、激素分泌异常等疾病。如今磁共振成像已被广泛应用于脑肿瘤辅助诊断,从磁共振影像上对上述三种肿瘤进行分割与识别可以得到肿瘤的生理参数信息,进而精确跟踪其生长情况和演变过程,为脑肿瘤患者制定出相应的治疗计划。为了进一步提高脑肿瘤的分割与识别精度,本文主要做了以下三方面的工作。首先,对Figshare公共数据库中的脑肿瘤数据集和临床脑肿瘤数据集采用双边滤波算法进行预滤波处理使得目标区域得到平滑的同时边界特征得以保留。针对图像中存在头皮颅骨等冗余区域,提出了基于自适应区域种子生长法对颅骨进行剥离,即对脑肿瘤图像进行有限对比度自适应直方图均衡化处理,并使用大津法进行灰度二值化,最后采用双种子区域生长法提取脑组织区域。其次,采用影像组学分析技术对脑肿瘤进行分割与识别,针对脑肿瘤影像中灰度不均匀和弱边界的缺陷,提出了基于模糊聚类的局部能量和全局能量相结合的活动轮廓分割模型对脑肿瘤进行分割,最终在测试样本上平均交并比达到了79.95%。接着对分割后的脑肿瘤区域进行特征提取构建出48维特征向量,采用主成分分析法进行特征降维与选择,最终通过对1800张图像样本搭建多层感知器模型完成模型训练,在600张测试样本上分类平均准确率达到了88.17%。最后,提出了基于残差连接空洞可分离卷积的语义分割模型对脑肿瘤进行分割与识别。针对Deep Labv3+中的原始骨干网络会对脑肿瘤特征流通道信息造成损失的缺陷,提出了残差连接的深度可分离卷积模块替换原始的卷积池化模块,有效提高了模型对脑肿瘤语义特征的提取能力。对3114张脑肿瘤样本进行数据扩增并采用十折交叉验证进行模型训练,在346张测试样本上模型平均交并比达到了87.49%,平均准确率达到了92.41%。本文提出的自适应区域种子生长法可以有效去除脑磁共振图像中的颅骨区域,减少了后续模型的输入参数量;提出的混合活动轮廓模型通过引入全局能量拟合项和局部能量拟合项,有效地提高了脑肿瘤分割精度;提出的基于残差连接的语义分割模型更有利于深层网络中的脑肿瘤特征的学习,从而显著提高了脑肿瘤的分割与识别准确率,为临床辅助诊断提供了重要的参考依据。