近年来,基于深度学习模型在电子医疗健康记录（Electronic Health Records,EHR）中进行生存预测的研究成为热点。由于EHR的时间序列特性,很多研究都使用传统的循环神经网络进行模型构建,注意力机制也经常用在研究中,该研究可以帮助医疗从业人员更好地对患者进行临床决策。然而,目前在基于深度学习技术的生存预测任务中,现有的研究面临一些挑战:（1）在实际的医疗数据集中,经常出现很多缺失值,这些缺失值会严重降低数据质量,最终干扰模型预测的效果。并且,大多数现有方法在估算缺失值之后,并不会在生存预测建模中考虑估算值的置信度,而错误地估算缺失变量可能会导致建模困难以及性能下降。（2）大部分的方法都只将模型的注意力放在了全局的时间序列特征的提取,而忽略了部分局部特定信息对患者死亡率预测性能的影响,这将导致模型考虑信息不全面,从而难以精准预测患者死亡率。（3）由于现有的深度学习模型仅输出分类概率,其容易过度自信,并且难以产生有效的不确定性分数,从而影响模型的可靠性,这将导致模型产生不可信的预测结果,可能会误判患者健康情况。因此,为了应对这些挑战,本文以时序EHR数据为基础,对上述问题进行了深入的研究:1.提出了一个基于缺失值补全的生存预测模型（Survival Prediction with Missing Value Imputation for Multivariate Time Series,MTSSP）。该模型提出了一种可以接收掩码矩阵和时间间隔作为补充信息的门控循环单元,此单元可以根据缺失值的缺失情况与缺失时间来实现缺失值的插补,从而增强EHR数据的表征能力;并且在下游的生存预测任务中,本文基于插补完成的数据集,使用一维空洞卷积神经网络与双向循环神经网络分别从局部和全局两个方面对时序EHR进行挖掘,来共同捕获患者的就诊规律,从而提高生存预测模型的性能。2.提出了一个基于VAE与MC Dropout模型的可靠性评估机制。在第一个研究内容的基础上,该机制构造了一个基于变分自编码器（Variational Auto-Encoder,VAE）的循环网络单元结构UN-Cell,它利用VAE在时间递归的同时生成每个缺失变量的均值与方差。单元内部会根据每个变量的方差生成不确定性分数,不确定性分数的提供可以给缺失值补全任务带来更精准的效果。此外,为了实现模型的可靠性,模型需要提供预测的不确定性分数。本文使用蒙特卡洛Dropout（Monte-Carlo Dropout,MC Dropout）方法提供模型预测结果的不确定性分数,实现插补值与模型输出值两个方面的可靠性评估。3.在训练完成的模型基础上,本文设计并实现了一个可以根据患者患病数据预测患者死亡率的预测系统,可以为医护人员提供辅助决策支撑。最后,本文在MIMIC-Ⅲ和MIMIC-Ⅳ两个公开数据集上进行模型的有效性验证。实验结果表明,本文所提的模型能够有效提高生存预测模型的精度。