随着大数据时代的到来,人们观察的数据维数已经逐步从高维发展到超高维,并且越来越频繁地出现在科学研究的各个领域,例如经济学、生物医学、结构化学等等。由于超高维数据的维数过高,有计算成本高、精度下降等问题,以致目前成熟的高维数据分析方法无法直接应用。如何从超高维数据中提取出真正的重要变量成为众多学者们关注的重点。截至目前,常规的超高维数据研究已经取得重要进展,而对于一些特殊类型的数据,如超高维数据与生存数据相结合产生的超高维生存数据的研究较少。因为这类的数据的采集过程受到多方面因素的影响,删失截尾的情况经常发生,更加复杂,这就要求进一步开发新的办法。本文在前人的基础上,对现有方法进行概括总结,并提出一种应对超高维标准生存数据和超高维半竞争生存数据的特征筛选办法,并在数值模拟和实证分析中验证了新方法的有效性。首先,在超高维标准生存数据下,提出基于Light GBM的无模型确定性筛选（LGB-SIS）,在超参数选择上使用贝叶斯优化,用每个特征在迭代树中被分割的总次数作为衡量协变量的重要性。数值模拟时,与SIS和COX-SIS进行比较,结果表明LGB-SIS在稳定性上更优。实证分析表明有基因被这些方法共同筛出,且LGB-SIS的筛选效率很高。其次,在超高维半竞争生存数据下,提出基于Light GBM的联合无模型确定性筛选（JLGB-SIS）。筛选时分别对两个响应变量建立模型,通过贝叶斯优化进行调参后,将两模型的不同特征在迭代树中被分割的总次数求和作为最终筛选协变量重要性指标。数值模拟与基于联合生存函数的筛选办法（JCR）比较,得出JLGB-SIS在不同复杂度的模拟中筛选成功率更高。将本方法用于乳腺癌数据集筛选共同影响两个响应变量的基因,获得较好的效果。最后,对两类超高维生存数据特征筛选方法进行总结发现:基于Light GBM的超高维特征筛选方法在超高维标准生存数据上有一定的筛选有效性和稳健性,但是在超高维半竞争生存数据的联合筛选有效性不足,还有待继续探索和研究。