在生存分析中,所感兴趣变量是生存时间,如某种病症病人的发病时间或某种病症病人的痊愈时间等。在医学、生物学、可靠性工程学等学科研究中,右删失数据与区间删失数据这两种数据类型是非常普遍存在的。在许多的实际研究与应用中,有很多因素影响着生存时间,并且随着计算机存储技术的提高,数据有着高维特点。因此,如何在高维数据中提取到有效信息是很重要的。目前有许多的变量选择方法,如Lasso、SCAD等应用广泛然而需要考虑特定的模型才能对数据进行降维,因此具有一定的局限性。切片逆回归（SIR,Sliced Inverse Regression）是一种经典的充分降维方法,该方法不需要假定任何模型,且具有容易实施的特点。因此,本文将切片逆回归以及其拓展的Lasso型切片逆回归推广到删失数据中,文章主要可以分为以下两部分。本文第一部分通过赋予权重的方式将切片逆回归的方法应用到区间I删失数据的变量选择中。在不假定任何模型下,使用切片逆回归方法对数据进行变量选择,考虑了三种切片方式,进而给出对应的权重,然后根据权重将切片逆回归的方法进行改进。在求解前,需要使用卡方检验的方法来确定中心降维子空间的维数。通过模拟研究证明了不同切片方式下变量选择的有效性,并将该方法应用到大鼠胆管增生数据。本文第二部分通过赋予权重的方式将Lasso型切片逆回归（Lasso-SIR）应用到右删失数据的变量选择中。SIR方法一般应用于协变量维数低于样本量的情况,在协变量维数大或等于样本量,即高维数据下方法失效。因此,这一部分考虑将Lasso与SIR方法结合,对存在右删失的高维数据进行变量选择。本节根据右删失数据的特点建立相应的权重矩阵,通过构建一个响应变量然后使用Lasso的方法来估计中心子空间的基向量。通过模拟结果表明,该方法适用于协变量维数大于等于样本量的情况,即估计的中心降维子空间与真实的子空间之间的距离较小,且能够将重要的变量选择出来。将该方法应用到弥漫性大B细胞淋巴瘤的基因数据。