现有的大多数脑肿瘤分割方法通常依赖多模态磁共振成像（MRI）数据以实现优异的分割性能。然而，在临床实践中，某些模态图像缺失的情况频繁发生，导致分割性能显著下降。为此，本文提出了一种区域感知融合网络（Region-aware Fusion Network, RFNet），能够自适应且高效地利用不同组合的多模态数据进行肿瘤分割。鉴于不同模态对脑肿瘤的不同区域具有不同的敏感性，我们在RFNet中设计了区域感知融合模块（Region-aware Fusion Module, RFM），根据目标区域的特性，从可用的图像模态中进行特征融合。得益于RFM，RFNet能够基于不完整的多模态图像集合，自适应地实现肿瘤区域的精确分割，有效聚合各模态特征。此外，我们还引入了一种基于分割的正则化项，以缓解因多模态数据不完整所导致的训练不足与不平衡问题。具体而言，除了从融合后的模态特征中获得分割结果外，我们还分别对每种图像模态，基于其对应的编码特征进行独立分割。该机制迫使各模态编码器学习更具判别性的特征表示，从而提升融合特征的整体表达能力。实验结果表明，在BRATS2020、BRATS2018和BRATS2015三个公开数据集上，所提出的RFNet在多项指标上显著优于当前最先进的方法。