在医学、可靠性工程学以及人口统计学等许多科学领域,都存在对某给定事件发生的时间进行估计和预测的问题.例如医学上疾病的发生时间和治疗后疾病复发的时间等.而在现实的生存数据中协变量可能受到非随机因素的污染或干扰,这样会对预测估计造成极大的误差,并且对参数加约束限制会有更合理的现实解释意义,因此本论文提出了在Cox模型中协变量调整下参数带约束的统计推断.首先,对受干扰协变量运用核函数进行平滑调整去除干扰因子的影响,其次对协变量调整下参数带约束条件进行回归分析,接着通过应用基于Karush-Kuhn-Tucker（KKT）条件的拉格朗日方法来推导约束参数估计量的渐近性质,建立协变量调整下参数带约束条件的渐近性,并开发一种用于计算协变量调整下参数带约束条件的修正的极小极大（MM）算法,最后进行数值模拟研究以评估所提出的方法的有限样本的性能.数值模拟表明:（1）未带约束条件的估计量,Newton-Raphson算法和MM算法得到的参数β有几乎相同的结果,这说明在实际应用中的MM算法与Newton-Raphson算法相比较,也是一种较好的算法.（2）未受干扰的协变量和受干扰调整后的协变量所得的参数估计值βO和βI都是无偏的.其SMSE、SD和SE三者比较接近,CP值都在比较合理范围内.（3）当协变量X受干扰时,参数β2的估计值为有偏的,SMSE与SD的差距较大,且CP值较低.这也说明若忽视协变量受干扰的情况会造成估计错误.在经过非参数调整后,参数β2的估计值结果都较为合理.（4）当约束条件为箱型约束时,对于参数β1来说,CMM算法的参数与NR算法的参数相关效率是大于1.1的.同样,当约束条件为顺序约束时,对于参数来说,CMM算法的参数估计量也是80%大于1.1.这个事实表明,在建模过程和分析中考虑参数约束很大程度会产生效益增益.