本课题的研究来源：国家自然科学基金项目“经验知识推理理论研究”(60273087)、北京市自然科学基金项目“不确定推理理论研究”(4032009)。 自然免疫系统作为一种并行、分布式、自适应信息处理系统，其优越性逐渐为人们所认识。近十多年来，模仿其机制设计人工免疫系统，己成为人工智能领域一个新的研究热点，并且已经在异常模式识别领域，如网络安全、故障诊断、模式分类、图象识别等，取得了一定的成果。 在目前已经提出的人工免疫系统模型中，异常检测器可以检测到的模式数量相同，即粒度相同，这样的检测器构成的集合为单粒度检测器集合，无法同时满足检测效率和精度两方面的要求。如果利用粒度不同的检测器构成多粒度检测器集合，能够扩展可检测到的异常模式类型，提高效率，降低漏检率。本文基于此思想进行研究，取得了以下的创新性成果： 1) 提出了多粒度免疫选择算法MGDGA 研究了人工免疫系统中单粒度最小有效检测器集合的大小和相关参数的确定方法，通过试验数据发现单粒度检测器集合不能同时提高检测精度和效率，达不到实际应用需求，因此提出了多粒度免疫选择算法MGDGA，并通过该算法生成多粒度检测器集合，在保证检测效率的同时提高了检测精度。 2) 设计并实现了基于多粒度检测器集合的免疫智能体IAg 采用智能体封装多粒度检测器，实现集合内检测器单元之间的协作，可以降低整个系统的复杂度。基于以上思想，设计并实现了基于MGDGA的免疫智能体IAg，建立了相应的通信机制和基于KQML和XML通信原语。 3) 提出并实现了具有自学习能力的多粒度免疫网络MGINet 提出了以免疫智能体IAg为节点的多粒度免疫网络MGINet，设计了节点权重修正和更新算法，使它具备了类似自然免疫系统的自学习和自组织能力。MGINet具有自我调整参数和结构的特点，克服了检测器集合只能检测固定模式的弊端，获得对未知模式的识别能力。 4) 设计和实现了具有自学习能力的入侵检测系统IAIDS 针对传统入侵检测系统需要不断人工更新规则库的问题，利用本文提出的多粒度免疫网络MGINet具有自学习能力的特点，实现了人工免疫入侵检测系统IAIDS。试验表明，在同一平台下，未经过自学习时，比传统单粒度检测器识别方法检测率提高了20.11％，漏检率降低53.57％，通过自学习，检测率提高