人工智能在医学影像领域的应用，为脑肿瘤的诊断带来了显著进展。本研究提出了一种新颖的集成方法，利用磁共振成像（MRI）对常见的脑部肿瘤（如垂体瘤、脑膜瘤和胶质瘤）进行识别与分类。该方法采用两阶段流程：首先，在数据预处理阶段引入非平凡的图像增强技术，结合低秩Tucker分解实现降维，并利用机器学习（ML）分类器实现脑肿瘤的检测与类型预测；其次，引入持久同调（Persistent Homology, PH）这一拓扑数据分析（Topological Data Analysis, TDA）技术，用于从MRI影像中提取潜在的关键区域。当该拓扑特征与机器学习分类器的输出相结合时，可辅助领域专家识别可能包含肿瘤特征的感兴趣区域，从而显著提升机器学习预测结果的可解释性。相较于完全自动化的诊断系统，这种透明性为临床决策提供了额外的信任保障，对推动技术在临床环境中的接受与应用至关重要。该系统的性能在公开的知名MRI数据集上进行了定量评估，采用极端随机树（Extremely Randomized Trees）模型实现了97.28%的整体分类准确率。研究结果表明，将拓扑数据分析、机器学习与低秩逼近方法相结合，是一种在脑肿瘤识别与分类任务中行之有效的方法，为后续深入研究及临床转化奠定了坚实基础。