人工免疫系统是目前新兴的一种智能方法,它是以生物免疫系统的功能、特点和作用机理为基础而设计出的计算模型。它具有很强的学习、识别、记忆和特征提取的能力,能够解决传统计算方法难于解决的许多复杂问题,因而近年来成为研究的热点,并在诸多领域中得到了广泛的应用。本文结合人工免疫系统对聚类问题进行了研究,针对现有聚类分析算法中存在的不足之处进行了改进。归纳起来,本文的研究成果主要体现在以下几个方面:首先,分析了进化计算在聚类分析方面的研究情况,在此基础上改进了原有的免疫算法,基于克隆选择原理提出了一种新的免疫聚类算法。算法采用了记忆细胞和抑制细胞分化,以及由抑制细胞进行的抑制抗体产生的机制,来防止对记忆细胞的复制。算法同时将k-means算法作为一个搜索算子,获取初始抗体。与k-means算法和标准遗传算法进行比较表明,基于克隆选择原理的聚类算法收敛地更快,且更能有效地收敛到全局最优解。其次,在对典型免疫网络研究的基础上,对其不足进行了改进,提出了一种新的免疫网络模型MDF-aiNet。它使用自适应共振网络(ART)获取网络的初始抗体,并且采用了更符合生物免疫系统的亲和力成熟机理的交叉变异的方式进行解的搜索。实验证明MDF-aiNet可在保持原数据结构的前提下进行数据压缩,而且其压缩率高于aiNet算法。最后,在MDF-aiNet的基础上,本文结合FCM算法提出了一种免疫网络聚类算法,仿真证明其较FCM算法具有更高的聚类精度。