脑肿瘤是世界上最致命的癌症之一，从三维核磁共振图像(MRI)中快速、准确地分割正常脑组织和恶性肿瘤组织，对临床诊断和手术治疗都至关重要．近年来，基于卷积神经网络的分割架构，特别是3D U-Net架构在脑肿瘤分割方面取得了巨大成功．然而，现有的基于3D U-Net的网络存在下采样信息丢失的问题，缺乏自动聚焦小尺度病灶的能力，编码器和解码器之间的全局上下文信息交互不够充分，并且参数量大、计算开销高．针对上述问题，提出一种双路径特征融合的轻量级脑肿瘤分割网络．首先，该网络通过增加一条分支路径，将原始数据中的低级细节信息添加到编码器的各层中，弥补下采样带来的特征信息损失．其次，提出一种多层金字塔制导模块代替传统的跳跃连接，增强解码器不同层次的全局上下文信息获取能力．最后，在输出层引入多视图级联注意力模块，利用肿瘤不同区域的包含关系，使网络从各个视图自动聚焦小尺度肿瘤区域．在BraTS2020数据集上的实验结果表明，采用0.55×10～6参数量和41.21×10～9浮点运算次数，该网络在增强肿瘤、全肿瘤和肿瘤核心的Dice系数分别可达78.64%、89.51%和83.77%．此外，在BraTS2018数据集上进一步评估该网络的性能，实验结果表明：该网络在保持较小计算量的同时，显著提高了对脑肿瘤各病灶区域的定位能力和分割性能，在临床实践中具有重要意义．