食管鳞癌(Esophageal Squamous Cell Carcinoma,ESCC)是一种常见的恶性肿瘤。本文以基于机器学习和群优化的ESCC生存水平预测为研究方向,重点放在建立模型和改进/混合群优化算法使其具有较高的收敛性,该方法通过大量的迭代次数来实现较高的精度。本文主要研究工作和创新点描述如下:针对预测术后患者5年生存率和总生存率精度低的问题,提出了基于自适应Lasso和受试者操作特征(Relative Operating Characteristic,ROC)曲线的ESCC风险模型。使用自适应Lasso筛选ESCC患者血液数据的重要变量,用Cox回归分析建立模型,用ROC曲线评价模型。使用卡方检验得出INR与分化程度、浸润程度及淋巴结转移显著相关。通过INR、分化程度、浸润程度及淋巴结转移4个因素构建得到的风险模型。针对ESCC患者血液数据冗余导致预测模型精度低的问题,采用单因素Cox回归分析对血液指标进行分析,筛选出影响患者生存或死亡的因素。针对BP预测网络收敛精度低、易陷入局部最优的问题,将改进的自适应樽海鞘群算法(Adaptive Salp Swarm Algorithm,ASSA)与反向传播(Back Propagation,BP)神经网络相结合。ASSA-BP模型能更有效地预测ESCC患者的生存时间,缩短了训练时间,提高了预测精度。针对BP神经网络预测ESCC患者收敛精度低的问题,提出了一种基于主成分分析(Principal Component Analysis,PCA)和改进蚁狮优化算法(Improved Ant Lion Optimization,IALO)优化BP神经网络的ESCC患者生存水平预测综合模型。使用主成分分析是为了降低数据维度,ALO算法中引入了变异算子,可以增强种群的多样性,提高ALO算法的全局搜索能力,避免ALO算法陷入局部最优。针对ESCC患者血液数据不稳定和BP神经网络训练误差不稳定的问题,提出了一种Kaplan-Meier-灰狼优化算法-BP神经网络预测模型(Kaplan-Meier-Grey Wolf Optimization-Back Propagation,K-M-GWO-BP)。采用K-M分析筛选与患者生存水平高度相关的血液因素,简化网络结构。使用GWO优化了BP神经网络的权值和阈值,提出了一种K-M-GWO-BP神经网络模型,提高了ESCC患者生存水平的预测精度。本文以ESCC患者的血液数据为基本,构建了基于自适应Lasso和ROC曲线的ESCC风险模型、基于单变量分析和ASSA-BP神经网络的ESCC患者生存期预测、基于PCA和IALO优化BP神经网络的ESCC患者生存水平预测综合模型、基于K-M-GWO-BP的ESCC术后生存水平预测模型。