生存分析主要是研究生存状况和生存时间以及它们与各类协变量之间的统计关系的一门学科。生存分析的研究数据存在不同类型的删失（左删失,区间删失以及右删失）。本文选择右删失类型的医学统计领域生存分析类数据进行研究,主要对原始数据存在的数据缺失以及分类变量表示问题进行了处理,并将深度学习方法应用于生存分析模型中,将DeepSurv算法应用于各类数据之上,并与其他应用广泛且性能较好的算法进行对比,且在该算法基础之上进行了改进。关于生存分析大规模数据,本文寻找的是医学统计领域经典的MIMIC-Ⅲ数据。在处理数据方面,首先是该组数据中缺失数据较多,本论文将在图像去噪领域应用较多的核范数方法应用于生存分析协变量矩阵数据补全之上,以寻求更好的数据补全效果;其次在该组数据的协变量当中存在着较多分类变量,本论文考虑使用引入虚拟变量以及基于经验贝叶斯的表示方法对其进行处理,以寻求更合理的可解释性。使用深度神经网络方法训练得出生存分析参数模型时,可能会存在训练速度慢、过拟合等问题。论文基于此在算法当中使用了扩展指数线性单元（Scaled Ex-ponential Linear Unit,SELU）激活函数、自适应矩估计（Adaptive moment estima-tion,Adam）优化算法、学习率衰减、神经网络单元 Dropout 等方法,以得出最终模型。基于以上各方面的考量,本文最终提出基于核范数的深度生存分析算法（NN-DeepSurv）,并将其应用于包含模拟数据以及MIMIC-Ⅲ在内的各组数据之上,以检验算法的效果与实用性。