预后（Prognosis）指对疾病可能的进程及结果的估计。癌症基因组图谱（The Cancer Genome Atlas,TCGA）等数据库的出现为研究人员提供大量丰富且权威的数据,推动了基于基因组学数据的癌症预后预测研究。当前,癌症预后预测的研究成果主要集中于BRCA、NSCLC、GBM等样本数较多的疾病类型;预后预测模型更多从生物学角度对基因特征进行分析,缺乏从计算角度分析基因特征进而发现潜在生物标记物的研究。同时,组学数据分析通常使用一维卷积,特征表示存在较大局限。针对上述问题,本文主要研究基于TCGA数据的不同癌症类型患者的预后预测问题,以期揭示癌症机理发现潜在生物标记物,并提高预后预测模型性能,本文的主要贡献包括:（1）提出融合小波变换的预后预测卷积神经网络模型SWT-CNN,一维RNA-seq基因表达数据作为输入。实验表明,SWT-CNN模型预测结果总体优于人工选取特征的SVM模型,但模型具有一定的数据依赖性。在本文中,以该模型预后预测结果作为后续研究基准值。（2）提出特征重要性评估算法与结合Cox回归的Risk-score预后预测模型,提升模型的可解释性。通过抽取SWT-CNN模型池化层之后计算出的特征,并将其与输入特征之间的关系近似看作线性映射,根据最小二乘法原理计算出特征重要性得分,并结合Cox回归分析提出通过计算样本风险值的预后预测模型Risk-score。实验表明,较SWT-CNN模型,Risk-score模型预后预测的AUC值提升3%-13%。（3）提出基于XGBoost特征筛选后的基因表达图像预后预测模型Deep GIX。将一维RNA-seq基因表达数据在经过XGBoost特征筛选后转换为二维基因表达图像用于卷积神经网络输入。Deep GIX模型在LGG数据集上取得最优预测结果（AUC=0.91）,且使用SWT-CNN模型结果最差的LUSC和OV数据集的预测结果分别提升到0.64和0.71,几乎所有数据集AUC值较SWT-CNN模型预测结果提高5%以上。此外,除LGG外的所有数据集模型预测AUC值在0.64-0.72之间,解决了不同癌症类型数据集模型预测结果差异较大的问题。在此基础上建立融合mi RNA-seq数据的多模态模型,实验表明,mi RNA-seq数据并不适用于所有癌症类型的三年生存时间预后预测。