(1) Antecedentes: El diagnóstico de glioblastoma (GBM), metástasis cerebral solitaria (SBM) y linfoma primario del sistema nervioso central (PCNSL) juega un papel decisivo en el desarrollo de planes de tratamiento personalizados. Construir una red de clasificación de aprendizaje profundo para diagnosticar GBM, SBM y PCNSL con MRI multimodal es importante y necesario. (2) Sujetos: GBM, SBM y PCNSL fueron confirmados por histopatología con el examen de MRI multimodal (estudio de 1225 sujetos, edad promedio 53 años, 671 hombres), 3.0 T T2 con recuperación por inversión atenuada por líquido (T2-Flair) y imágenes ponderadas por contraste T1 (CE-T1WI). (3) Métodos: Este documento presenta MFFC-Net, un modelo de clasificación basado en la fusión de MRIs multimodales, para la clasificación de GBM, SBM y PCNSL. La arquitectura de la red consiste en codificadores paralelos que utilizan DenseBlocks para extraer características de diferentes modalidades de imágenes de MRI. Posteriormente, se aplica un módulo de fusión de características para mejorar las interrelaciones entre los tejidos tumorales. Luego, se realiza una operación de ponderación de autoatención espacial-canal después de la fusión de características. Finalmente, los resultados de clasificación se obtienen utilizando la capa convolucional completa (FC) y Soft-max. (4) Resultados: La ACC de MFFC-Net basada en la fusión de características fue de 0.920, mejor que el modelo de radiómica (ACC de 0.829). No hubo diferencia significativa en la ACC en comparación con el radiólogo experto (0.920 vs. 0.924, = 0.774). (5) Conclusiones: Nuestro modelo MFFC-Net podría distinguir GBM, SBM y PCNSL de manera preoperatoria basado en MRI multimodal, con un rendimiento superior al del modelo de radiómica y comparable a los radiólogos.