肺癌是最常见的恶性肿瘤,其发病率和死亡率都逐年上升,并一直是影响人们正常生活和身体健康的首要危险因素之一。早期准确预测患者疾病特异性生存期对于疾病诊断、治疗计划和生存期改善极其重要。其最大意义,就是通过早期智能预测确定肺癌病人的重要预后因素,以便于合理防止过度诊断和医院资源的浪费,同时为临床医师和家人进行医学决策提供依据。近年来,随着医学设备的更新迭代以及计算机技术的快速发展,多模态、多时期的医学数据应运而生。在智慧医疗背景下,数据分析技术的不断发展和深度学习技术的不断创新,极大地促进了多模态医学数据的相互融合。已有相关研究表明,多种类型的数据之间存在相关性和互补性,有效联合多种模态的医学数据对临床具有重大意义。同时,不同阶段的医学影像数据间又包含有大量与疾病演化（出现、发展或消亡）相关的时间信息,在时间维度上探索肺部图像的演化过程,同样对指导肺癌生存率的预测起到关键作用。基于以上现状,本文提出了基于长时程CT影像和临床信息的肺癌生存期预测方法研究,主要包括以下几方面的工作:（1）基于多时期临床数据的时空混合特征提取方法研究为了使计算机能够模拟临床医师从多时期医疗数据中有效挖掘临床重要特征,我们提出了一种基于多时期临床数据的时空混合特征提取方法,参考Res Net在分类问题优异的表现,构建了一种多分支残差神经网络MR＿Net来分别对三个时期的CT图像进行特征提取,将患者多期的CT图像数据作为输入,充分挖掘病变感兴趣区域图像的深度特征。同时,引入病程的时间维度特征,探索肺癌全阶段随访影像的关联演变因素,从肺部病灶演变的机理角度分析其多元特征,提出了一种长时程注意力机制LSM。利用不同疾病过程和时间点之间的潜在共享信息,探索多种特征之间的信息异质性和互补性。该机制能够对提取的多时期特征进行融合形成一个时空混合特征,实现了CT影像中同一病例跨时期病灶时空特征的提取,实验结果表明,生存期预测精度达到85.94%。同时,利用ANOVA算法对临床文本数据进行特征选择与提取,最终确定出对肺癌疾病特异性生存期影响最大的七个属性,为后期多元特征融合模型的建立和预后预测研究打下坚实基础。（2）基于多模态数据融合的生存期预测方法研究由于患者病例信息对最终病情的诊断和分析有着重要的影响和作用,我们提出了5种不同的多元特征融合模型用于整合CT图像数据的高维特征和临床文本特征,最终实现了融合特征的分类预测,验证了CT图像数据和临床文本数据对于肺癌疾病特异性生存期预测的互补性和二者融合的有效性,生存期预测准确率高达86.78%。本文还根据细胞形态学特征将原始数据集划分为腺癌、鳞癌、大细胞癌和小细胞癌进一步进行分析,充分表明了该融合模型对肺癌疾病特异性生存期预测的适用性及有效性。实验结果表明,本文提出的多时期、多模态预测模型优于目前同领域其他方法,在短期生存期、中期生存期和长期生存期的分类中实现了86.78%的准确率,模型能够准确地进行肺癌患者的预后评估,进而帮助医生为肺癌患者制定更加合适的治疗策略,帮助实现精准医疗的目标。