脑瘤是严重危及病患生命健康的疾病之一,脑组织结构的复杂性及脑肿瘤组织的异质性,给医生的诊断、治疗和预后估计带来极大挑战。磁共振MR（Magnetic Resonance）成像检查因其无辐射、能完成任意方位断层成像且对结构组织成像效果好等优点,被医生广泛应用于脑肿瘤患者手术方案的制订和预后的估计,从而减少手术引起的功能性损害和术后并发症,提高病患生存质量及确保术后神经功能更好的康复。一直以来脑图谱都是研究脑部结构和功能的重要手段,利用大脑图谱对大脑图像进行配准可以帮助了解大脑各个脑区具体状态,从而引导手术与放射治疗。目前存在的大脑图像配准大都是基于正常脑图像进行的,脑肿瘤图像与脑图谱的配准由于肿瘤的异质性一直是一个挑战。为了参照脑模板的脑区图像对肿瘤大脑图像进行分析,本文以脑肿瘤MR图像与正常脑图谱配准为研究对象,利用深度学习方法构建了基于卷积神经网络的组织修复的脑肿瘤图像与脑图谱配准方法,提升了配准准确性。本论文的主要研究内容如下:（1）实现对脑肿瘤MR图像的组织修复及配准。为了研究如何确保脑肿瘤图像与正常脑图谱的配准精确性,本文提出使用部分卷积网络PConv-Net（Partial Convolution Network）对脑肿瘤MR图像完成肿瘤区域组织修复,然后与脑图谱配准。该方法首先利用分割网络对肿瘤部分进行分割,以便从脑肿瘤MR图像中标记大小、位置各异的肿瘤分割掩膜,然后利用PConv-Net模拟出肿瘤分割掩膜区域的正常组织图像,最后对每个被修复的图像与正常脑图像实施配准。采用Brats 2018比赛脑胶质瘤患者数据对本文方法进行实验,结果表明本文方法能很好地修复肿瘤区域,获得较准确的配准结果。（2）利用脑图谱脑区分割图像对脑肿瘤图像定量分析,确定肿瘤浸润的脑功能区。本文将患者原始肿瘤图像和基于组织修复后的图像分别与模板图像配准,利用配准得到的形变场将模板图像脑区分布分别映射到修复前后的脑肿瘤图像上,根据两者脑区分布的对比完成脑区具体状态的定量分析,以期达到辅助后期手术方案及治疗手段的选择。实验结果表明针对形态、位置、大小各异的脑肿瘤图像,本文所提方法都能通过修复前后脑肿瘤图像的脑区对比实现肿瘤病变脑区分析。