癌症作为一种威胁人类生命和健康的重大疾病之一,其发病率和死亡率呈现逐年上升的趋势。对癌症患者的生存期进行精准的预测能够帮助医生制定有效的个性化诊疗方案,也可以帮助患者更好的了解自身情况。随着高通量技术的发展,基因组数据被证实了在癌症发生发展过程中发挥了至关重要的作用,使用基因表达数据对癌症患者的生存期进行预测能够帮助医生做出更好的治疗方案并给出临床解释。现如今,生存预测模型已被广泛应用于研究患者协变量（如基因组特征和临床特征）与生存之间的关系,使用基因组数据来对患者生存期进行预测也成为了当下的热点话题。然而,基因组数据往往是高维的,这一特性极大的限制了现有生存预测模型的稳定性和准确性,因此,本文提出了一种基于极端梯度提升的改进生存分析算法,旨在解决现有方法难以处理高维基因数据的问题,并在真实的癌症数据集上进行了实验验证。本文的主要工作如下:（1）提出XGBLC算法。基于极端梯度提升框架,使用带有1L惩罚项的Cox比例风险回归作为损失函数,实现在高维数据上更强的适应性。通过计算损失函数的一阶导数和二阶导数,重新定义了极端梯度提升框架中的损失函数,并改进了构建生存树的结构。（2）构建XGBLC生存预测模型。针对癌症患者的基因表达数据,利用提出的XGBLC算法构建生存预测模型,在真实的癌症数据集上对XGBLC算法进行测试,使用内部五折交叉验证和网格搜索选择最优参数集合,并通过外部五折交叉验证的方式对模型的性能进行了评估。（3）数据收集与预处理。本文所使用的数据全部下载自TCGA数据库,共涉及了20种癌症类型7416名患者的基因表达数据及对应的临床信息。为提高数据质量,我们将下载得到的数据进行预处理,包括数据标准化,去除含有噪声、缺失值、异常值的数据等。（4）将XGBLC模型与其他五种现有模型进行比较。在20套数据集上对六种模型进行了比较分析,使用C-index为主要评估指标,并通过模型的运行时间比较了六种模型的计算复杂度。经验证,XGBLC模型在20个癌症数据集中的19个数据集上都获得了更好的预测性能,平均C-index提升了7.89%,平均时间相关AUC提升了8.21%,同时,六种模型的平均运行时间相近。结果表明,在处理高维基因数据时,XGBLC获得了比其他现有方法更好的预测结果,是一个可靠、准确的生存分析算法。