针对脑肿瘤MRI图像分割中多尺度特征提取能力受限、边界模糊及模态差异导致的空间-语义割裂问题，提出一种改进的脑肿瘤分割模型CDSTransUnet。首先，设计交叉引导多尺度注意力交互模块(CMAM)，通过动态通道注意力与可变形空间注意力的协同优化机制，增强多尺度特征捕捉能力；其次，提出双池化边缘增强模块(DPEEM)，利用混合池化差分策略提取残差边缘特征，有效强化肿瘤边界的识别和分割能力；最后，构建空间-语义融合门控机制(SSFG)，通过自适应权重动态融合CNN的局部空间特征与Transformer的全局语义信息，缓解异构特征错位问题。在BraTS2020和BraTS2019数据集上，本文方法在肿瘤核心(TC)、全肿瘤(WT)和增强肿瘤(ET)区域的Dice系数分别达到89.19%/88.60%、83.58%/82.19%和75.89%/76.86%，相对基线模型在BraTS2020/BraTS2019数据集上分别提升2.64%/1.74%、4.81%/3.98%和2.16%/1.90%，且豪斯多夫距离(HD)显著降低。实验验证了模型分割复杂肿瘤形态的有效性和鲁棒性，为医学影像分析提供了可靠支持。