具有不同特征的患者在临床治疗效果方面具有显著的异质性,个性化医疗旨在根据患者特征给个体患者提供准确的治疗方案。因此,个性化医疗成为了临床和干预科学家越来越重视的研究课题。传统的方法通过估计条件期望结果来找到最优治疗分配准则。这类方法通过多重检验策略[82]或者是通过预测的方法[33],尝试将主效应与交互效应区分开。最近出现的结果加权学习方法绕过对协变量与治疗方案交互效应的估计,通过最大化期望临床结果直接寻找最优分配准则[94,96]。然而,几乎所有现有的结果加权学习方法都只针对两种治疗方案的情况,而且这类方法并不能直接拓展到多种治疗方案的情况。本文的主要目的是在三种或更多种治疗方案并存的情况下,解决最优分配准则估计问题,并研究其理论性质和经验性质,主要工作如下:最优分配准则的估计涉及0-1损失,该损失由于不连续性和非凸性难以求解最大化问题。在仅有两种治疗方案选择的情况下,0-1损失可以由一个凸替代损失代替——折叶损失。在多种治疗方案并存的情况下,我们采用了在多类别支持向量机[54]中使用的一种向量化折叶损失,并证明了解释向量化折叶损失有效性的Fisher一致性。同时,我们利用再生核希尔伯特空间（RKHS）的技巧[54],将计算困难的原始最小化问题转化为满足一些等式和不等式约束的二次规划问题,这类二次规划问题可以通过现有的软件包轻松实现。另一个重要的理论问题是,随着训练数据集的样本量增加到无穷大,关于RKHS中解的风险能否收敛到未知的最优分配准则的风险,这一性质被称为风险一致性。我们首先建立了向量化折叶损失下的超额风险与期望临床结果下的超额风险之间的关系。利用这个关系,我们证明了所提出的最优分配准则估计具有风险一致性。所有现有的方法都局限于损失相等的情况,即误分类代价是相等的。在现实世界中,我们经常能够遇到不相等损失的情况,特别是在医疗应用中。因此,我们开发了一个大框架,将结果加权学习方法扩展到不相等损失的情况下,并且使用了向量化折叶损失下的不相等损失函数建立了Fisher 一致性和风险一致性。另外,通过引入结构化多类别支持向量机来进一步增强最优分配准则估计的解释性,识别出重要的预测变量。我们在原先风险函数的基础上,在泛函子空间的权重之和上额外增加了一个k惩罚项,这促使了最终解的稀疏性。同时,我们给出了简单易操作的一步更新过程来求解最终的最优分配准则估计。随着技术的进步,现代可以测量到的协变量数量非常大,然而实际上与临床结果相关的协变量数量通常又很小,这表明在构建最优分配准则的过程中协变量选择或维度降低的必要性。因此提出一种自适应协变量筛选过程,可以在不同的治疗方案下分别进行协变量筛选或维度降低过程。如果协变量筛选或维度降低过程能够保持一致性,那么我们提出的方法仍然是风险一致的。除了理论推导之外,我们还进行了许多模拟以评估所提出方法在低维协变量和高维协变量情况下的表现。我们将所提出的方法与其他两种方法进行比较,一对多比较方法和加权分类方法。通过模拟可以发现,我们所提出方法的表现不论从误判率或超额风险而言都更好,而且在某些情况下有很大程度的改善。在高维协变量的情况下,当样本量比较大的时候,我们所提出方法与Oracle方法性能接近。最后,我们将所提出的方法应用于具有四种干预措施的癌症行为研究的实际数据集。我们定义了 一种相对治疗效应来衡量分配准则的效果,并使用了 m-out-of-n bootstrap方法来构建相对治疗效应的置信区间。结果表明,使用我们提出的方法构建最优分配准则估计的确有所获益。本文的结论和方法丰富了最优分配准则的估计方法,将有助于分析生物统计应用领域中个性化医疗上遇到的复杂多变的问题。