有针对性的业务流程预测可帮助企业进行流程控制和传递高质量服务,因此作为此类场景中的核心任务之一,业务流程剩余时间预测得到国内外学者的广泛关注。然而,随着业务系统内部的复杂度越来越高,所产生的事件日志规模逐渐增大且变化多样,致使在利用基于传统的剩余时间预测方法时存在一定局限性。深度学习的应用虽能弥补传统剩余时间预测方法的不足,但现阶段基于深度学习的剩余时间预测方法大都以循环神经网络为基准构建预测模型,因其本身缺乏并行性且受建模能力的约束,使得预测模型整体预测性能还有进一步提升空间,再加上业务流程中不同类型的流程实例及异质性事件日志等因素的影响,导致最终剩余时间预测效果不是十分理想。因此,本文针对业务流程剩余时间预测任务现存问题和特点展开研究,并设计出适用于剩余时间预测任务的预测模型和相关方法,主要研究内容如下:（1）提出一种基于迁移学习的业务流程剩余时间预测方法。首先,利用双向准循环神经网络构建剩余时间预测模型,并在预测模型中加入注意力机制以增强双向准循环神经网络输出的特征信息。然后,设计了一种基于迁移学习的流程实例轨迹前缀训练迭代策略,解决了不同长度轨迹前缀之间数量存在差异性的问题,提升了剩余时间预测的针对性。最后,提出了一种基于Word2vec中的连续词袋模型（Continuous Bag-of-Word Model,CBOW）事件表示学习方法,实现对同一轨迹且经常出现事件的相似性向量表示,提升了剩余时间预测准确度。（2）评估不同编码方式对业务流程剩余时间预测的影响。有效地事件编码方式可以在一定程度上提高深度学习模型训练质量,从而达到提升业务流程剩余时间预测效果的目的。因此,针对事件日志中事件的特点,通过借鉴自然语言处理领域词向量训练模型构建出5种事件编码方式,通过将编码得到的事件向量作为多个预测模型的输入,并经基于迁移学习的流程实例轨迹前缀训练迭代策略对预测模型加以训练后,验证了不同事件编码方式对业务流程剩余时间预测结果的影响。（3）提出一种基于轨迹聚类的业务流程剩余时间预测方法。首先,以轨迹间相似度作为距离度量对事件日志中的轨迹进行聚类,以达到降低事件日志复杂度和细化结构、行为变化的目的。然后,设计了一种基于注意力机制的卷积准循环神经网络预测模型,有效地捕获和增强对剩余时间预测任务有决定性影响的时间和空间特征信息。同时,为提高剩余时间预测效果,在预测模型中引入双向机制和注意力机制,并利用基于迁移学习的流程实例轨迹前缀训练迭代策略对预测模型进行了迭代训练。