生存分析是一种将终点事件的发生情况与到达终点事件所经历时间纳入综合考虑的统计分析方法。随着信息化技术的发展,许多学科具备了收集海量数据和长期监测目标的能力,这为生存分析研究提供了坚实的基础条件。传统的生存分析方法一般基于统计学,可分为参数法、非参数法和半参数法。然而基于统计的生存分析方法不适用于对协变量和生存时间分布存在非线性关系的实例数据作生存预测。由于机器学习不需要对生存时间的潜在分布形式进行假设来估计生存时间,同时擅长对非线性关系进行建模,因此被研究者应用于生存分析中,从而大大提高了生存预测的精度和泛用性。然而,基于机器学习的生存分析方法仍存在不少挑战,例如:1)大多数生存分析方法缺乏估计多个终点事件（即竞争风险）的发生时间分布的能力;2)大多数现有研究在生存分析问题上仅仅利用了纵向生存轨迹数据的一小部分,忽略了在同一轨迹中多次记录之间的相关性;3)目前的模型需要更好地捕捉患者地潜在表征,以用于生存分析之类的下游任务。针对以上挑战,本论文就面向竞争风险的生存分析方法开展深入研究。为了能够充分利用动态性生存数据并且提高建模表达精度,本论文提出了一种基于对比学习的动态深度生存分析方法（The Contrastive-Based Model for Dynamic Deep Survival Analysis,CD-Surv）,通过一个长短期记忆网络来对动态性生存数据进行编码,并引入对比学习思想,设计了两种数据增强策略,即遮罩生成策略和随机打乱策略,用于更好捕获实例的潜在表示,以提高生存分析性能。之后针对目前大多数生存分析方法未考虑竞争风险的现状,本论文又提出了面向竞争风险的动态对比深度生存分析方法（Deep Contrastive Learning for Dynamic Survival Analysis with Competing Risks,Deep-CSA）,将多任务学习框架与CD-Surv相结合,使Deep-CSA能够适用于竞争风险问题,从而更好进行生存分析。本论文使用国内某三甲医院和国外两个公开临床数据库的电子病历数据对提出的方法进行评估,评估结果表明:1)本论文提出的CD-Surv和Deep-CSA能够根据患者特征的变化而动态更新关于结局事件的预测结果;2)CD-Surv和Deep-CSA中的对比学习模块能够较好帮助对于患者表征的捕捉;3)引入多任务学习框架后,Deep-CSA能较好地预测多结局事件的发生情况,在竞争风险问题上取得不错的性能。本论文提出的方法的性能显著优于现有的生存分析,对患者的特征精确建模,能进行动态的生存分析,同时适用于竞争风险问题,帮助研究者更好的开展生存分析工作,为生存分析的建模提供了新的思路。