脑肿瘤图像的自动化分割在脑肿瘤的辅助诊断和治疗方面至关重要。针对脑肿瘤图像病变区域复杂多变、病灶与背景区域边界模糊的问题，本文提出了一种结合残差混合注意力、自适应特征融合的脑肿瘤分割方法(Residual Adaptive Convolution-Net，RAC-Net)。首先，使用双动态卷积增强(Dual Dynamic Convolution Enhancement，DDCE)模块以实现更灵活的特征提取和增强模型的适应能力；然后，引入残差混合注意力(Residual Mixed Attention，RMA)模块，以充分提取图像的全局与局部特征；最后，在解码路径中使用自适应特征融合(Adaptive Feature Fusion Module，AF2M)模块来对深层与浅层特征进行融合，以获取更丰富的特征信息。在公共数据集BraTS2019与BraTS2021上进行实验，并使用数据集BraTS2023进行跨数据集验证，结果显示RAC-Net的大部分指标均优于现有主流分割方法，说明该分割方法对临床相关脑肿瘤疾病的辅助诊断具有一定的应用价值。