在生存分析领域中,感兴趣的事件最终是否会发生以及事件发生的具体时间是研究的重点内容。在临床试验中,由于试验设计的限制,感兴趣事件发生的具体时间不能够被完整的观测到,只能观测到个体的部分信息,由此便产生了删失数据。随着医疗水平和科学技术的不断进步,有些个体可能在相当长的一段时间之内,始终不会发生感兴趣的事件,这部分个体可能被治愈,那么带有治愈个体的生存数据是值得研究的。近年来,在生存分析领域结合变点问题受到了统计学者的广泛关注,本文主要针对带有治愈个体的删失数据下的两类变点模型展开研究。本文的第一部分主要讨论的是在现状数据下带协变量变点的治愈模型的贝叶斯估计问题。首先介绍了现状数据的数据类型;其次介绍治愈模型及协变量变点模型,对治愈模型的未治愈部分分别建立指数模型和对数正态模型;然后通过给定的先验推断出相应的后验似然函数;接下来采用平滑似然估计方法和贝叶斯估计方法分别对协变量变点模型参数进行估计。在平滑似然估计过程中,平滑函数选取logistic函数,同时在贝叶斯估计过程中,采用MH算法进行后验抽样。模拟结果验证了两种估计方法的有效性,并且显示出贝叶斯方法优于平滑似然方法。最后将贝叶斯估计方法应用到2014年9820例患者的结直肠癌数据进行了实例分析。本文的第二部分主要讨论的是在现状数据下带治愈部分的单变点风险模型以及单变点比例风险混合治愈模型的贝叶斯估计问题。该部分的数据类型同上一部分一致,为现状数据,首先介绍单变点风险混合治愈模型的形式,写出在现状数据下的似然函数;同时协变量可能会以不同的形式影响着危险率函数,接下来引入协变量,称为单变点比例风险混合治愈模型,写出在现状数据下的似然函数;然后通过给定先验分布推断出相应的后验似然函数;最后采用贝叶斯方法分别对两类单变点模型参数进行估计。在贝叶斯估计过程中,采用MH算法进行后验抽样。模拟结果验证了贝叶斯估计方法在该数据下的有效性。最后将该估计方法应用到2010-2013年8424例患者的肝癌数据进行了实例分析。