生存分析旨在预测某个感兴趣事件发生前的延续等待时间,已广泛应用于临床治疗中患者的生存状态分析和故障诊断中机械系统的运行时间预测等领域。近年来,随着各种信息采集技术和大数据技术的快速发展,高维数据在各类生存分析问题中频繁出现,如何高效地利用这些高维小样本的删失数据,从而提高生存分析模型的预测精度,成为了一个不可忽视的挑战。国内外的研究者们已经针对上述问题提出和改进了许多预测模型,并取得了一定的研究成果。然而,这些模型有些假设条件过于严格,或者没有充分考虑到高维小样本数据中固有的先验信息,在实际应用中无法取得满意的效果。同时,收集到的数据中可能存在各种未知噪声,这也会导致模型无法精确地预测感兴趣事件的发生时间。为了克服上述缺陷,本文引入矩阵补全理论,将最初的生存分析问题建模为多任务直推式的矩阵补全模型,并递进地提出了两种生存分析预测模型。本文的主要研究内容和创新点如下:1)针对生存分析中高维删失数据所固有的数据标记不完整及高维小样本导致的过拟合缺陷,提出了一种先验信息引导的直推式矩阵补全生存分析模型,该模型不仅能有效利用删失实例来弥补训练样本的不足,也能通过同时探索训练样本和测试样本的特征分布来改善模型的泛化能力。同时,我们还设计了一类新颖的多任务直推式特征选择机制来进一步缓解模型的过拟合缺陷。最后,在多个真实数据集上进行了实验,结果显示该模型在C-index和加权平均AUC指标上表现很出色。2)针对数据中可能存在的未知复杂噪声,进一步提出了一种噪声容错弱监督矩阵补全生存分析模型。通过引入混合高斯分布来拟合实际应用中所面临复杂环境下的未知噪声,从而能够减轻模型的噪声敏感性。针对模型所涉及的多个超参数,为了能够更快和更好地寻找到最优的参数值,采用了贝叶斯优化方法来自适应地选择模型参数。最后,多个微阵列基因表达数据集上的实验结果证实了所提出的WSTMC模型优于当前广泛使用的生存分析方法。