随着人工智能、物联网以及5G服务的到来,以数据知识为基础的企业,才能在全球市场上保持竞争优势,现如今越来越多的企业建立了不同的信息系统,这些信息系统数据库中存在大量的事件日志,然而,管理者很难从数量庞大的事件日志中提取有价值的信息,并且为了在竞争快速发展的世界中,更好的支持业务流程这一需求日益突显,通过对业务流程事件日志进行分析与预测,可以为企业监控提供决策和支持。通过预测不同的业务目标,不断的完善业务管理系统来实现更好的服务。然而,对于事件日志这样体量大的样本进行业务流程预测,传统的手工提取特征的方式,需要使用巨大的人力财力,而且效率非常低下,本文主要采用深度神经网络模型进行业务流程任务预测方法研究,主要包括面向业务流程结果的单任务预测,以及面向业务流程活动和时间的多任务预测这两个方面的预测研究。（1）提出面向业务流程结果的单任务预测方法对于业务流程结果的单任务预测,采用了将计算机视觉与流程挖掘相结合的方法,提出一种将事件日志转变为图像表示的深度神经网络预测分类模型,采用了对运行的事件轨迹的图像表示,而且能够划分出代表事件轨迹特征的邻近像素处出现的潜在数据模式。利用代表运行的事件轨迹的图像集合,训练一个PO＿2DCNN卷积神经网络模型来预测每个事件轨迹的结果。本文的创新点在于扩展了传统的图像处理方式,并且通过对比实验,验证了所提方法将事件轨迹转换问图像编码的技术有效性,之后与其他使用机器学习的预测方法进行对比实验,本文在不同的数据集上均处于优势地位。（2）提出面向业务流程活动与时间多任务预测方法现有的业务流程预测方法多数针对特定的预测问题,不同任务之间的预测方法的可迁移性不高,通过多任务预测不仅可以进行不同任务信息共享,而且可以提升单个预测任务的精度,现有的研究对重复活动预测的多任务方法仍有待提高,本文提出将双向长短时记忆网络与自注意力结合的Self-Att-Bi LSTM深度神经网络模型进行多任务预测,预测模型可以共享不同任务之间的特征,实现多个任务并行预测,实验表明,在不同数据集上通过与现有的方法进行对比,均提高了预测精度,尤其是在重复活动预测方面有很高的提升。通过上述内容的研究,论文取得的研究成果如下,（1）应用流程挖掘与计算机视觉结合的方法,拓展了将事件轨迹转化为图像表示的方法,提出面向结果的单任务预测模型,从而提高业务流程的服务效率;（2）应用多任务学习模型框架进行业务流程活动和时间多任务预测,不仅提高的单个预测任务,而且在重复活动的预测上有更好的预测效果。