由于脑肿瘤的大小和形状呈不规则状态，从三维磁共振图像中自动分割脑肿瘤是一项具有挑战性的任务．而目前的方法存在两个问题：基于3D建模的方法参数量较大难以训练而且全局或远距离上、下文信息的关联性不足；模型忽略局部区域细节特征使得分割结果边界模糊．为解决上述问题，本文提出了循环分层解耦卷积和最大滤波(recurrent hierarchical-decoupled convolution and maximum filtering,RHMF)的轻量网络实现三维脑肿瘤图像分割．该网络在特征提取阶段提出循环分层解耦卷积取代标准卷积，减少参数利用多时域的反馈信息建立全局上、下文信息关联．引入改进的多尺度策略对不同尺度下的多层次特征进行提取融合，提高网络的目标识别能力．在定位阶段做局部域细节处理，提出了最大滤波模块激活目标区域像素实现特征图的像素级定位，增强目标区域像素与其他区域像素的区别，进一步细化分割，解决边界模糊问题．在BraTS2020数据集上的实验结果表明，RHMF-Net在增强肿瘤区、整体肿瘤区和核心肿瘤区的平均Dice系数值分别为77.23%、90.01%和83.10%，参数量为0.42×10~6.