函数挖掘--作为数据挖掘的一种，成为近十年来数据库界研究的又一热点：由于基因表达式编程不需要太多领域知识和建立先验模型、染色体简单、线性和紧凑、易于进行遗传操作，因此在处理函数挖掘问题中得到了广泛的青睐。 然而，函数挖掘的实践已经暴露出传统基因表达式编程(GEP)的缺陷：收敛速度慢、易陷入局部最优等。在前人的工作基础上，本文针对GEP存在的弊端，借鉴免疫算法(Immunealgorithm，IA)抗体多样性和免疫记忆等优点，提出了一种基于免疫策略的基因表达式编程算法(ArtificialImmuneinGeneExpressionProgramming，AIGEP)。 算法的核心在于保持种群的多样性，将免疫算法的免疫记忆机制用于GEP算子中，通过引入优良记忆库实现精英保留策略，保证算法搜索的快速性及有效性；通过引入差评记忆库实现评定及淘汰弱小的策略，以保证快速搜索和避免陷入局部最优解。 AIGEP算法有效地提高了算法的收敛速度，较好的保证了个体的多样性，避免了传统基因表达式编程算法在进行函数挖掘出现的弊端。为验证AIGEP算法的正确性及有效性，将算法应用于函数挖掘。函数挖掘的仿真结果，进一步验证了AIGEP算法的性能，所挖掘的模型具有更高的拟合度和预测精度。