背景Cox比例风险回归模型是生存分析中使用最为广泛的方法,然而实际应用中该方法需要满足的前提条件有时不成立,森林算法因其强大的学习能力和灵活性,成为Cox模型的有力替代方法。生存森林方法近年来得到极大发展,具有代表性的包括:随机生存森林（randomsurvival forests,RSF）、条件推断森林（conditional inference forests,CIF）、最大选择秩森林（survival forests with maximally selected rank statistics,MSR-RF）。尽管陆续有学者提出或改进生存森林方法,系统性的比较研究依然很少,其中包含最新MSR-RF方法的仅有一篇,且现有研究大多只从预测能力方面进行比较,未系统比较方法的变量识别能力。目的从变量识别能力和预测能力两方面系统性地研究比较RSF、CIF、MSR-RF这三种森林方法,观察它们应用于不同结构生存数据的优劣,给出使用建议。方法通过蒙特卡罗模拟和实例研究系统性地从变量识别能力和预测能力两方面研究比较RSF、CIF、MSR-RF这三种森林方法,观察它们应用于不同结构生存数据的优劣。其中变量识别能力采用模拟中变量重要性正确排在最前位的比例作为评估指标,该比例越大识别能力越好;预测能力采用积分布莱尔评分（Integrated Brier score,IBS）作为评估指标,该指标越小预测能力越好。结果1.在模型预测能力方面,三种森林方法的IBS始终差距不大,在模拟中RSF在存在多分类变量或小样本时表现弱于其余两者,而实例研究中三者的IBS分布各有优劣。2.在变量识别能力方面,1)在数据存在多分类变量的情况下,RSF的识别率基本最低,MSR-RF和CIF具有更高的识别率,其中CIF在交互项形式下更具有优势。2)在数据只存在连续性变量的情况下,MSR-RF的识别率更高。在数据只存在二分类变量时,RSF和MSR-RF的识别率更高。3)变量的相关程度变化对三种方法的识别率影响均不大。说明三种森林方法能正常处理该类数据。4)变量维度增大时,CIF的变量识别率下降最明显。5)MSR-RF受样本量变化影响最小,表现最稳定;RSF在小样本量时表现欠佳。结论三种生存森林方法在不同结构生存数据下的变量识别能力和预测能力各有优劣,实际应用中应结合研究目的和数据结构选择合适的生存森林方法。与生存森林中常用的RSF方法相比,MSR-RF在数据存在多分类变量尤其是对应分类水平较多、数据均为连续型变量、小样本的情况下占优;CIF在数据存在多分类变量尤其是对应分类水平较多、变量存在交互作用的情况下占优。MSR-RF和CIF具有推广应用的价值。