生存分析是一种处理生存数据的统计方法。传统的生存分析模型都是建立在生存数据相互独立的基础上的。但是在实际应用过程中,生存数据不独立的情况处处可见。经典的比例风险模型和加速失效时间模型都无法对此类数据进行合理有效的解释。因此我们需要一种新的模型来处理这种相关的生存数据。Frailty模型是分析此类数据的经典模型。我们在模型中用Frailty项来评估数据之间的相关性。然而到目前为止,大多数研究都是集中在比例风险Frailty模型上面。加速失效时间Frailty模型由于其计算过于复杂,并未引起人们的太多关注。但是随着统计的发展,越来越多的人发现了加速失效时间Frailty模型的优越性。在这篇论文中,我们结合广义加速失效时间模型,首先对加速失效时间Frailty模型的形式进行一些修改。让加速失效时间Frailty模型与广义加速失效时间模型的形式更为接近。在此模型的假设下,我们给出两种不同的模型估计方法。在第一种方法中,我们基于普通的EM算法,把模型中Frailty项的分布拓展到了广义伽马分布。这让我们的估计方法更具灵活性和实用性。随后本文引入了另一种基于ML-EM算法的模型估计方法。在这种方法中,我们把极大似然方法和EM算法进行了有效的融合,从而大大提高了我们的模型估计速度。最后,本文还用一组真实的临床数据检验了我们的算法。