随着成像技术的飞速发展,医学影像已成为疾病管理的重要模式,在疾病研究、筛查、治疗和预后评估等方面发挥举重若轻的作用。数字病理图像作为医生判断分析病理的重要依据,存在生存相关的信息。然而通过人工辨别和分析的方式了解病理图像,将耗费大量的时间和精力,而且分析结果易受医生的主观因素影响,依赖于专家经验。若能借助计算机的手段从病理图像中挖掘生存信息,为医生提供预后资讯,将大幅减轻医生的负担,提高诊断和治疗效率,对临床医学具有重要意义。本文研究基于数字病理图像预测患者生存时间的方法。目前大多数生存预测方法借助Cox模型预测患者相对死亡风险,再通过估计基准生存函数的方式间接预测生存时间,然而准确估计基准生存函数难度较大,导致预测生存时间与真实值差异大。本文脱离Cox模型的限制,提出两种直接预测生存时间的方法。本文提出基于有序回归的生存时间预测方法,把回归任务转化为一系列的二分类子任务,每项子任务编码一段时间区间,学习数据的时序信息,最后通过多个二分类任务的结果融合预测出总的生存时间。本文提出基于多分类任务的生存时间预测方法,把样本按时间大小分类,模型预测新样本的生存时间属于各类别的概率,最后总预测生存时间为各预测概率的线性组合。该方法实现简单,且能预测比分类任务更精细的生存时间。针对病理图像数据量少且存在删失问题的特点,本文根据所提出的方法分别设计出能挖掘删失样本生存信息的损失函数,以充分利用数据集信息,提升模型的预测生存时间的性能。本文在公开的胶质瘤细胞病理图像数据集中进行了综合性实验,以验证方法的有效性,探索了删失样本,损失函数和超参数设置等因素对预测结果的影响。实验结果表明,本文提出的方法相比于基于Cox模型的生存预测方法,能预测更准确的生存时间。