在生物统计等研究领域中,数据删失的情况时有发生。比如在临床试验的过程中,由于患者的异质性等原因导致某些个体在试验结束时还未发生感兴趣的事件。此时研究人员不能精确观测到某个个体的确切失效（死亡）时间,只能观测到生存时间大于删失时间,即右删失数据。传统的生存分析方法都以所有患者在随访时间足够长时都会经历感兴趣的事件作为前提进行研究。但是随着医疗技术的快速发展,某些疾病的患者可以被治愈,这部分人被称为“治愈者”。无论是对右删失数据还是对带治愈组的右删失数据进行研究,如何找到适合的模型是最重要的问题。学者们提出的众多模型选择准则和方法虽在一定程度上解决了上述问题,但这些方法自身也存在稳健性较低的缺陷。要克服此问题就需要使用模型平均方法来将不同模型的估计或预测结果平均起来,减少均方误差,提高稳健性。加速失效时间（Accelerated failure time,AFT）模型是生存分析中最重要的模型之一。它的优点在于对失效时间的协变量效应直接建模,并且协变量效应的解释相较于比例风险模型来说更为简单。但是现有文献大多考虑具有固定协变量的加速失效时间模型,这样做可能会丢失候选模型中包含的一些有用信息。因此,本文考虑在右删失数据以及带治愈组的右删失数据下采用基于信息准则的模型平均和模型选择方法,讨论一类加速失效时间模型的估计及预测问题。具体来说,主要包括以下两个方面:首先,在右删失数据下为避免指定协变量构建模型引起的不准确性,提出一种基于模型平均方法的加速失效时间模型。在极大似然估计的框架下,采用基于信息准则的模型选择和模型平均方法进行统计推断研究。通过数值模拟和实例分析来验证所提方法的有效性和实用性。其次,以带治愈组的右删失数据下加速失效时间模型为研究对象,采用基于信息准则的模型选择和模型平均方法进行统计推断研究。在极大似然估计的框架下,从估计和预测结合的双重视角来分析模型平均后AFT模型的拟合效果。通过数值模拟和实例分析对所提方法的可行性和实用性进行验证。