脑胶质瘤是由于大脑和脊髓胶质癌变产生的、最常见的原发性颅脑肿瘤，其中恶性脑胶质瘤占比大且致死率高。利用磁共振成像（MRI）图像对脑胶质瘤定量分割和分级是目前诊治脑胶质瘤的主要方法。为提升脑胶质瘤的分割精度与速度，提出一种基于3D-Ghost卷积神经网络（CNN）的脑胶质瘤MRI图像分割算法：3D-GA-Unet。3D-GA-Unet以3D U-Net（3D U-shaped Network）为基础框架，设计基于3D-Ghost CNN模块，利用线性运算增加有用信息输出、减少传统CNN中的冗余特征；添加基于坐标注意力（CA）的模块，利于获取更多于分割精度有利的图像信息。在公共脑胶质瘤数据集BraTS2018进行训练和验证，实验结果表明，3D-GA-Unet脑胶质瘤分割结果的周围水肿区域（WT）、坏死核心区域（TC）和增强肿瘤区域（ET）的平均Dice相似系数（DSC）分别达到0.863 2、0.847 3和0.803 6，平均敏感度分别达到0.867 6、0.949 2和0.831 5。3D-GA-Unet能精准分割脑胶质瘤图像，进一步提升分割效率，对脑胶质瘤的临床诊断有积极的意义。

针对目前大规模网络不适合在手机、平板电脑等资源匮乏的移动设备上使用，以及池化层会导致特征图的稀疏性最终影响神经网络识别精度的问题，提出了一个轻量级人脸识别神经网络ShuffaceNet，设计了一个非线性平滑Log-Mean-Exp函数ThetaMEX，并提出了一种端到端可训练的ThetaMEX全局池化层（TGPL），从而在保证算法精度的前提下，减少网络参数、提高运算速度，进而达到有效地将该网络部署在资源匮乏的移动设备上的目的。ShuffaceNet约有3 600个参数，模型大小仅为3.5 MB。在LFW（Labled Faces in the Wild）、AgeDB-30 （Age Database-30）、CFP （Celebrities in Frontal Profile）人脸数据集上的识别测试的结果表明，ShuffaceNet的精度分别达到了99.32%、93.17%、94.51%。与MobileNetV1、SqueezeNet、Xception相比，所提网络的大小分别缩减了73.1%、82.1%、78.5%，在AgeDB-30数据集上的精度分别提高了5.0%、6.3%、6.7%。可见，基于ThetaMEX全局池化的所提网络能够提高模型精度。