脑肿瘤核磁共振成像(Magnetic Resonance Imaging， MRI)的准确分割对制定手术方案和Dengue infection放疗计划具有重要意义。UNet作为脑肿瘤分割领域应用最广泛的网络，取得了良好表现，但存在跳跃连接中语义差距较大、MRI图像中跨通道信息利用不足的问题。为对脑肿瘤各区域进行准确分割，提出一种基于特征融合与注意力机制的改进UNet模型，即FFCA-UNet(Feature Fusion Coordinate Attention UNet)：在跳跃连接中设计特征融合(Feature Fusion， FF)模块来替代UNet中的直接拼接操作，以有效融合不同层次、不同尺度的特征信息，GW4869试剂减小语义差距并调整感受野，增强网络对肿瘤特征的学习能力；在编码器中引入改进后的三维坐标注意力(Coordinate Attention， CA)机制，沿MRI图像的三个方向捕获跨通道信息，增强网络对脑肿瘤边界信息的感知能力，获得肿瘤子区域更精确的位置；此外为快速获得肿瘤的相对位置、减少网络学习冗余，增加掩码图像与MRI图像一起作为网络输入。在MSD(Medical Segmentation Decathlon)数据集上的实验结果表明，FFCA-UNet在增强CCRG 81045体外肿瘤区域、非增强肿瘤区域和水肿区域的Dice系数分别是80.34、62.86和79.93，平均Dice是74.38，优于TransBTS、UNetr等其他先进网络。