U-net模型在医学图像分割中取得了很多的发展，但是其忽略了低层视觉特征和高层语义特征之间的差距，限制了网络的特征提取能力。针对这个问题，首先设计了一个特征增强模块，以更大的感受野来增强网络的特征提取能力，并使用跳跃连接将网络中低级特征与高级特征融合。同时引入三重注意力机制来融合空间维度和通道维度的特征，从而达到增强有用信息的目的。最后，设计了一种新的损失函数，引入二元交叉熵和Dice损失函数，来抑制数据集中类别不平衡的问题。该模型在BraTs数据集上进行了实验，取得了0.8592的平均Dice。实验结果表明，该模型性能优于其他常用的分割网络。