食管癌是世界上第九大常见癌症,死亡率高,早期症状不明显,且预后较差。合理有效的预后生存风险预测可以帮助医生采取适当的治疗方法,改善预后以提高患者的生存率。本文以食管鳞癌患者医学数据为研究对象,通过多种方法挖掘患者医学指标与预后之间的关系并构建预后生存风险预测模型。本文主要研究内容如下:针对传统预后评价指标对食管鳞癌患者预后效果评估不准确的问题,提出一种基于统计分析方法和最小绝对收缩选择算子（Least Absolute Shrinkage Selection Operator,LASSO）的食管鳞癌预后指数模型。首先,使用医学统计学方法分析患者医学指标与预后的相关性。然后,通过LASSO方法构建患者预后生存评价模型预后指数,预后指数可用于判断患者预后生存风险的高低。所构建的预后指数模型预测效果优于传统癌症预后评价指标预后营养指数,提高食管鳞癌患者预后生存风险预测的准确率。针对食管鳞癌患者反向传播（Back Prapagation,BP）神经网络预后生存风险预测模型预测准确率低的问题,提出一种基于混合改进鸡群（Hybrid Improvement Chicken Swarm Optimization,HICSO）算法优化BP神经网络的预后生存风险预测模型。在传统鸡群算法的基础上,利用混沌序列的特性初始化种群,引入非线性变化的惯性权重因子用于平衡算法的勘探能力和开采能力,采用边界变异策略以及“失败公鸡”反向学习搜索策略提高算法的搜索性能,得到新的HICSO算法,并将其用于优化BP神经网络,最后建立HICSO-BP预测模型。使用真实食管鳞癌患者医学数据评估模型的性能,结果表明HICSO-BP预测模型具有较高的预测准确率,可以通过患者的医学指标有效预测患者的预后生存风险。针对食管鳞癌患者预后生存风险评估模型数据特征提取不充分、预测准确率不高等问题,提出一种基于Relief特征选择算法和一维卷积神经网络（One-Dimensional Convolutional Neural Network,1D-CNN）的食管鳞癌患者预后生存风险预测模型。首先,使用Relief特征选择算法减少与患者预后不相关、冗余特征的影响。最后,将所获得的显著特征作为1D-CNN分类器的输入因子,实现患者的预后生存风险的预测。该方法充分利用数据的有效特征,提高预测模型的性能。本文以食管鳞癌患者预后生存风险预测为研究对象,以食管癌患者医学数据为研究基础,在统计学方法分析医学数据的基础上,使用LASSO回归分析方法、经优化算法优化的BP神经网络以及结合特征选择算法的一维卷积神经网络三种不同算法模型,建立食管鳞癌患者预后生存风险预测模型,对食管鳞癌患者的预后状况进行有效的预测,为食管癌预后预测的研究提供参考。