胶质瘤是一种常见的恶性脑肿瘤,其死亡率和患病率极高,严重危害着人类生命健康。随着现代成像技术的快速发展,特别是核磁共振成像(Magnetic Resonance Imaging,MRI)技术,医生可以根据多模态MRI图像来诊断和评估脑肿瘤的情况,从而制定有效的治疗方法。因此,及时和精确的脑肿瘤分割在医生为患者制定治疗计划、进行手术和预后随访等多个过程中是非常重要的。然而,人工分割脑肿瘤是一项费时费力的工作,并且易于受到主观因素的影响。因此,研究人员致力于开发自动脑肿瘤分割技术。然而,由于脑肿瘤本身形状多变,结构复杂,强度不均匀等特点,并且脑肿瘤分割存在着严重的类别不均衡问题,所以,自动脑肿瘤分割方法的研究是一项具有很大挑战性的任务。随着近些年来深度学习的蓬勃发展,越来越多的研究者将其应用到脑肿瘤分割领域,并且取得了不错的结果。特别地,模型级联策略最近被广泛用于医学图像分割任务中。该策略通过运行一系列独立的深度模型,有效地缓解了常见的类别不均衡问题,实现了从粗到精的分割,取得了优异的分割性能。然而,我们观察到这种策略存在着系统复杂性高,并且忽视模型间的关联性等缺陷,因此,为了解决以上缺陷,本文提出了一个高效级联的脑肿瘤分割模型。首先,本文将模型级联中的多个分割任务集成到一个深度模型中,该模型即为单次预测多任务卷积网络(One-pass Multi-task Network,OM-Net),它不仅能利用任务间的相关性从而节省大量的训练参数,并且只需要通过一次网络就能得到多个任务的分割结果,并且取得了更好的脑肿瘤分割结果,因此比模型级联策略更好地解决了类别不均衡问题。此外,基于OM-Net特殊的结构,本文设计了在线数据迁移策略,从而使得某些任务获得更多的训练数据,提高数据利用率。另外,本文提出了基于课程学习的训练策略,按照从易到难的顺序,将任务依次加入到OM-Net中,从而更有效地训练OM-Net。其次,本文通过共享任务间的预测结果来进一步探索其相关性,提出了跨任务指导的注意力(Cross-task Guided Attention,CGA)模块。在上个任务产生的粗糙分割结果的指导下,CGA能够按照特定类别的统计信息来对通道级特征响应进行自适应地校正。相较于流行的SE(Squeeze&Excitation)块,CGA利用任务间的相关性,来提供额外的指导信息,从而帮助学习特定类别的通道注意力。最后,本文提出了一个简单有效的后处理方法,来微调OM-Net的分割结果,进一步提升分割性能。本文在多个数据集上进行了系统的实验,从而验证所提方法的有效性。本文所提的方法在BraTS 2015和BraTS 2017数据集上分别取得了当前最好的性能。此外,基于这些方法,我们在BraTS 2018比赛中从64支参赛队里脱颖而出,获得了第三名的好成绩。