头颈部癌症原发病灶位置多且致死率高,在全身肿瘤中排名居于前列。开展对原发肿瘤患者的生存率预测,可以识别潜在高危患者以便尽早确定诊疗措施,防止疾病恶化。近年来,卷积神经网络在图像处理与分析领域表现出巨大的优势,被广泛应用于分类、检测、分割等领域。因此,本文基于卷积神经网络方法,根据治疗前头颈癌患者的医学图像进行生存率分类预测,旨在为临床治疗提供参考,促进个体化精确医疗的发展。迁移学习方法通过计算源域与目标域之间的相关性实现分类预测,实验数据集多为自然图像。而医学图像多是针对具体问题（如心脏,乳房等不同器官）成像,相较于自然图像,医学图像明显不具备普适性,因此,迁移学习用于医学图像分类预测的价值十分有限,针对此问题,本文提出了对头颈癌患者的PET和CT图像分别构建端到端的深度学习网络模型,用来预测患者生存率的高低。用于卷积核初始化的核主成分分析算法（Kernel Principle Component Analysis,KPCA）,本文从KPCA无法寻找最优主特征方向以及保留传统PCA对噪声敏感性两个问题出发,提出改进KPCA算法结构的方法。此外,针对头颈部肿瘤个体差异性,本文参考现有的研究模式,对影响头颈癌患者生存率的纹理特征进行研究。实验数据集来自美国癌症医学图像档案馆,共有298例患者,其中,56例（约占19%）在随访期内发生死亡事件。提取肿瘤ROI区域中心切片,对CT图像单独做小波变换纹理增强实验,对FDG-PET、CT图像分别构建CNN预测模型,通过三折交叉验证的方法对模型的性能进行评估;采用迁移学习模型密集卷积神经网络结合BAM和CBAM注意力机制进行对比实验;使用灰度共生矩阵从患者CT图像中提取纹理特征,用Kaplan-Meier作纹理特征参数与生存时间之间的关系曲线。对于头颈癌患者生存率预测,用CT图像作为数据集的卷积神经网络预测模型整体准确度优于FDG-PET和小波变换纹理增强CT。AUC、敏感性、特异性分别为:FDG-PET（55.6%、92.9%、18.5%）,CT（70.5%、67.4%、76.5%）,小波变换纹理增强CT（60.9%、51.7%、77.8%）,KPCA算法改进后对神经网络预测性能有明显的提升效果,使用灰度共生矩阵提取的纹理特征,发现纹理参数“Energy”与患者生存时间具有明显统计学差异。本文的研究结果表明深度学习具有对头颈癌治疗前医学图像进行生存率预测的能力和潜力,可以为临床病理学诊断提供指导信息,在一定程度上有助于实现对头颈癌患者的精确诊疗。