生存分析是研究事件发生时间的一种统计方法,包括死亡、疾病复发、治疗反应、失业破产、客户流失等问题,在生物学、医学、工程学和经济学等许多领域都有广泛的应用。生存分析的最主要挑战是如何有效处理生存信息不完全的删失数据,许多传统的统计方法已经被发展,建立生存时间与各种风险因素的生存分析预测模型。如何识别重要的癌症预后特征,构建适用于高维基因组数据的生存预测模型,对统计建模和计算提出了巨大的挑战。这仍然是一个亟待解决的研究问题,需要开发更先进的机器学习方法,构建更精确的高维基因组数据的生存分析模型。针对生存分析中的这些问题,本文研究了基于决策树集成学习的生存分析方法。主要研究内容和结论如下:（1）首先,基于随机生存森林和梯度提升生存树,建立了有效的生存分析模型;然后使用生存分析模型的风险评分预测,构建了预后风险分层模型;最后,将上述模型在TCGA数据集上作实证分析。实验结果表明,构建的预后风险分层模型能够显著地区分高危和低危癌症患者群体。（2）提出了基于重采样的XGBoost的特征基因选择算法,选取的特征基因提高了生存分析模型的预测性能。在乳腺癌数据集上进行实证分析,结果表明,本文提出的算法能够准确地识别剔除冗余基因,提高生存分析预测模型的准确性。（3）针对流行性新冠肺炎对医疗体系带来的资源配置挑战,研究了基于COVID-19患者住院时间的生存分析问题,建立了基于贝叶斯优化和决策树集成的生存分析模型。实验结果表明,相比其他基准算法,基于贝叶斯超参数优化的随机生存森林,取得较高的一致性指数评价值,能够较准确地预测患者的出院时间。