مدل های رگرسیونی مورد استفاده در تحلیل بقا مانند مدل خطر تجمعی و مدل های بقای آنی دارای فرضیات محدود کننده ای هستند که در بعضی مواقع برقرار نمی باشند. در سال های اخیر مدل های دیگری همانند شبکه های عصبی مصنوعی معرفی شده اند که دارای انعطاف پذیری بیشتری می باشند. این مدل ها بر روی شبکه های پرسپترون چندلایه که نوعی از شبکه های عصبی مصنوعی است بنا نهاده شده اند و می توانند مدل ها ی خطی را به عنوان حالات خاص در بر گیرند. در این پایان نامه کابرد مدل های شبکه عصبی مصنوعی جهت پیش بینی بقا مورد بررسی قرار گرفته و مدل ها ی کلاسیک بقا طوری بسط داده شده اند که در آن پیش بینی کننده خطی توسط شبکه عصبی پرسپترون چند لایه جایگزین شده است. بدین منظور شش مدل متفاوت را مورد بررسی قرار می دهیم. در چهار مدل زمان بقا به عنوان یک متغیر پیوسته در نظر گرفته می شود: سه مدل از توزیع های پارامتری (وایبول، لوگ-لوجستیک و لوگ-نرمال)، استفاده می کنند و مدل چهارم بسط غیر خطی مدل خطر نسبی است. دو مدل دیگر زمان بقای گروه بندی شده را به عنوان یک متغیر گسسته مدل بندی می کند: ساده ترین آن متغیر دو جمله ای بقا یا عدم بقا در یک زمان ثابت را مورد توجه قرار می دهد و دیگری بقا را در چندین دوره زمانی پیش بینی می کند. در نهایت مدل ها بر روی مجموعه داده های سرطان روده که از دانشگاه علوم پزشکی شهید بهشتی جمع آوری شده است ارزیابی شده اند در فصل اول تحلیل بقا و مدل های پارامتری که برای داده های سانسور شده به کار میروند به طور مختصر معرفی شده اند. در فصل دوم شبکه های عصبی مصنوعی و ارتباط آن با مدل های آماری آورده شده است. در فصل سوم رابطه بین مدل های شبکه عصبی با مدل های کلاسک آماری در تحلیل بقا مورد بررسی قرار گرفته است و در نهایت این مدل ها در فصل چهارم بر روی مجموعه داده های واقعی ارزیابی شده اند.