随着医学影像技术的不断发展以及人工智能与医疗诊断的广泛结合,基于MR影像数据构建机器学习模型以对脑胶质瘤患者进行预后生存期预测具有极高的研究价值。但该领域的相关研究普遍存在所构建的高维度影像特征空间具有较大冗余、所设计的预测模型在未知数据上泛化能力较差等问题,因此难以达到理想的预测效果。为缓解上述问题,本研究设计了一种对多序列MR影像数据进行优化的方法,具体为从约减多序列影像空间以及压缩高维度影像特征两个角度对影像数据进行优化。此外,本研究构建了一种基于两阶段计算机制的混合Stacking集成模型用于对脑胶质瘤患者进行预后生存预测。所做的主要工作如下:（1）对于多序列MR影像,本研究提取多个肿瘤子区域在不同MR序列下的影像特征集合作为初始研究数据。根据MR影像以及脑胶质瘤组织结构的特点,本研究设计了一种基于影像序列与病灶子区域的关联规则的多序列MR影像数据优化方法,具体为通过对潜在的多种MR序列组合进行评估筛优,以约减MR影像特征空间规模。基于所提出的优化算法所确定的影像数据空间具有更小规模以及更少的冗余信息,为构建预测模型提供良好的数据基础。（2）在对多序列MR影像数据进行优化以及对患者进行包含两种生存阶段类型的分类预测计算中,本研究提出了一种基于聚类的影像特征压缩算法。所得到的压缩特征为对原始影像特征集的高语义浓缩表达,可更加高效且准确地完成序列优化任务并实现对所有患者高精度的生存阶段分类。（3）本研究构建了一个具有针对性的先通过对患者进行两种不同生存阶段的分类、再分别进行预后生存天数预测的两阶段计算预测方法。在该机制中,基于不同生存阶段的脑胶质瘤患者所构建的两个差异化子预测模型能够更好的学习数据特性。针对较难预测的长生存阶段患者,本研究构建了一个专用的基于Stacking架构的混合集成预测模型,相较基础预测模型具有更佳的预测性能。（4）为了验证本研究所提出方法的有效性,本研究在Bra TS Challenge 2020公开数据集上进行了实验。在MR序列组合优化实验中,对比了不同序列组合所构建的特征集合的效果。在基于聚类的特征压缩实验中,将本方法与多个具有代表性的特征约减算法进行了比较。在构建预后生存预测模型实验中,将本方法与多个主流预测方法进行了比较,同时设计了多组对比实验以验证本研究所提出的基于两阶段计算机制的混合Stacking集成模型的优越性。在脑胶质瘤预后生存预测研究中,本文提出的特征集优化方法有效的利用了多序列MR影像数据进行预测计算,同时构建了一个具有针对性的集成模型用于生存预测。实验结果表明,本研究所提出的方法显著降低了预后生存预测误差。