针对U-Net网络感受野受限以及信息丢失导致的分割精度低的问题，提出了一种基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割算法.首先，在U-Net网络中引入感受野模块（receptive field block, RFB）来增大网络的感受野，解决了网络由于感受野受限带来的分割精度低的问题.此外在网络中引入有效的通道注意模块（efficient channel attention, ECA）来增加网络对有用特征的响应，抑制网络中的冗余特征.使用BraTS（the brain tumor image segmentation challenge）提供的脑肿瘤MR图像数据对本文算法进行测试，用Dice相似性系数等指标进行评价，结果显示在完整肿瘤、核心肿瘤以及增强肿瘤的Dice值分别可达到0.86、0.86、0.79.与U-Net模型以及其他的网络相比得到了提高.实验结果表明，本文提出的算法能够有效提升脑肿瘤分割的精度，具有良好的分割性能.