目的  针对脑胶质瘤手动分割效率低、主观性强的问题和深度学习资源要求高，本研究旨在探讨基于深度学习的3D-nnU-Net模型在低分辨率自动分割中的准确性及临床适用性，为标准化肿瘤评估提供技术支持。 方法 采用750例脑胶质瘤患者的术前多序列MRI（T1/T2/FLAIR/增强T1）。勾画ROI，逐层标注肿瘤实质区、水肿带及坏死核心。数据经标准化预处理（N4偏置场校正、空间配准、强度归一化）后，输入3D-nnU-Net框架进行低分辨率自动训练。模型采用五折交叉验证，以Dice相似系数（DSC）为评估指标。 结果  模型在测试集（n=266）表现优异：整体肿瘤分割DSC达0.82±0.04（实质区0.81±0.05，水肿带0.73±0.07），单例分割耗时53.6±4.8秒，较手动勾画（15.2±3.4分钟）效率提升18倍  结论  3D-nnU-Net能实现脑胶质瘤的高精度、高效率自动分割，结果与金标准高度一致。该技术可整合至临床影像工作流，辅助手术规划与疗效评估，推动影像组学研究标准化。