食管癌是世界上最致命的癌症之一,死亡率较高,而且我国是食管癌的高发区。在早期阶段往往没有明显的症状,预后也相对较差。通过进行有效的预后生存预测,医生可以更好地评估患者的病情,并采取适当的治疗方法,从而提高患者的生存率。本文以食管癌患者为研究对象,深入挖掘CT影像中的医学信息,采用影像组学和深度学习技术构建食管癌患者预后生存预测模型。主要的研究内容如下:（1）针对传统的食管癌预后评价指标不能全面反映肿瘤内部异质性的问题,本文提出了一种基于影像组学的食管癌生存预测方法,以期获得更加精准的预后评价结果。通过影像组学技术,可以实现对肿瘤的全面、无创、可重复的检查,从而更加精准地评估食管癌患者病灶区域的异质性,并将其作为食管癌患者的预后预测一种新的研究思路。首先,从科研合作医院的影像归档和交互系统（PACS）中获取食管癌患者的CT影像;随后,通过利用3D-Slicer软件对获得的CT图像进行图像分割来获得ROI,并提取定量的食管癌患者CT影像组学特征。通过应用相关性分析和LASSO算法构建影像组学预后标签;并将其与食管癌预后密切相关的临床因素结合起来利用Cox风险比例回归对模型进行拟合,构建了一种食管癌预后生存预测模型,并采用诺莫图将其可视化。通过计算C-index与AUC等评估指标,验证该预测模型可以对食管癌患者的预后进行相对准确的预测,并对模型的预测效果进行评估。（2）针对传统影像组学对数据特征的挖掘缺乏全面性和合理性,导致特征提取的效果不尽如人意这一问题,提出了一种深度学习和影像组学相融合的食管癌生存预测方法。深度学习可以从医学影像中提取比传统的影像学表型特征更加抽象化,更加准确,更加可靠的肿瘤特征信息,而且比传统的影像组学特征更加有效。与传统的影像组学特征不同,面向临床目标的深度学习特征可以从数据中自动学习。深度学习特征包含“真实世界”纹理,这些纹理是通过迁移学习策略从预先训练的Dense Net-169网络中提取出来的。然后,基于特征之间的互信息（MI）和生存状态,采用最小冗余最大相关（m RMR）方案对特征进行排序,保留前50特征,通过LASSO回归算法构造深度学习影像组学（DLR）标签。结果显示,在生存期预测中深度学习特征能获得更优预测效果。将深度学习影像组学标签、影像组学标签和临床因素结合起来通过Cox风险比例回归算法构建深度学习影像组学诺莫图。结果表明所构建的预后预测模型预测食管癌患者3年生存期时表现出高准确率且显著优于单独使用深度学习影像组学标签和影像组学标签所构建的预后预测模型。（3）针对食管癌影像标准化数据量少,标注信息获取比较困难这一问题,从小样本学习的思维模式入手,充分发挥小样本学习在小数据处理方面的优势,研究如何在小样本数据上设计模型并充分挖掘少量标准数据的信息。因此,本文提出了一种基于图神经网络的食管癌生存预测模型来挖掘少量标准数据的信息并进行生存预测。引入基于度量的元学习策略,利用从CT影像提取的影像组学特征和深度学习特征以及临床特征,构建特征融合的图神经网络模型进一步挖掘样本之间蕴含的信息。经由多层图神经网络的更新以突出少量样本中包含的类别信息,实现在训练数据较少的情况下能精准地对食管癌3年总体生存期进行预测。