人工免疫系统（Artificial Immune System，AIS）是一类基于生物免疫系统的功能、原理、基本特征以及相关理论免疫学说而建立的用于解决各种复杂问题的计算系统。AIS结合了分类器、神经网络和机器推理等系统的一些优点，通过学习外界物质的自然防御机理的学习技术，提供噪声忍耐、自组织、自学习、记忆等进化学习机理，具有提供新颖的解决问题方法的潜力，是继人工神经网络、进化计算之后新的智能计算研究方向，是生命科学和计算机科学相交叉而形成的交叉学科研究热点。本论文主要研究将人工免疫算法用于解决实际应用中的分类问题，通过对否定选择和克隆选择两类免疫机制的深入研究，提出了基于否定选择原理的多类分类器和基于克隆选择原理的算法来解决特征提取问题和分类问题，并应用于网络文本的分类。另外，研究了人工免疫系统与DNA计算集成的理论框架以及DNA序列的编码方法。论文取得的主要成果与创新工作概括如下：①提出了一种基于免疫机制的特征选择方法，用于数据挖掘和模式识别等领域的高维数据降维问题。该算法在保持原有信息完整性的基础上，去除其中的冗余特征，包括了克隆选择、局部搜索和分类三个阶段，克隆选择提出了一种抑制机制以获得具有高亲和力的抗体，对其嵌入可控制搜索深度的局部搜索算子，用以加快抗体亲和力成熟速度，再对选定的子集用k近邻原则和分类精度评估进行测试，实验结果表明该算法可以有效地降低特征数目和提高分类精度。②设计了一种基于否定选择原理的多类分类器。否定选择算法是对自体和那些不属于自体的元素进行区分，即是对两个类别的问题进行分类，因此在提出的算法中，将“自己类”和“非己类”进行了重新定义，通过免疫算法构造出多个检测器集合实现对多类问题的分类。分类的过程采用了监督学习方法，采用否定选择算法对已知数据集的样本进行训练，产生每一类的检测器集合，以用于未知数据的分类判定。并在UCI的标准数据集上进行的仿真实验证实了该算法的有效性。③提出了一种基于抗体识别度的克隆选择分类算法，将抗体对抗原的正确识别率作为亲和度函数，即是通过计算抗体正确识别同类抗原的数目和错误识别异类抗原的数目来评价抗体的亲和力，再进行克隆变异操作来寻找最优抗体。在搜索过程中，对记忆细胞规模进行了控制，使得在保持分类准确性的同时减少记忆细胞的数目。接下来，将算法进行了改进应用于网络文本的分类，采用信息增益的特征提取操作选取信息量最大的词作为特征向量，再采用TF-IDF公式计算特征值，实现将网络文本转换成实数向量形式，对得到的训练文本进行分类，得到对应各类别的记忆细胞抗体集合，再对目标文件进行分类，得到待分类文件所属的类别。④提出了一个基于粒子群优化的免疫分类算法。该算法采用改进的粒子群优化算法进化抗体，用于解决许多免疫算法中随机的变异操作，通过设计新的适应度函数来评价抗体的亲和力，亲和度函数综合考虑了分类精度和类间距离两个影响分类的重要因素，在每次迭代中，每个抗体粒子向邻近的最优粒子进行移动，以便快速寻找到最优解。在标准数据集上进行的实验证实了该算法的有效性。⑤提出了一种新的DNA编码理论，这种方法基于影响分子反应过程的因素，可以获得可靠和有效的编码序列。并讨论了人工免疫系统与DNA计算集成的理论框架，人工免疫系统可以通过串匹配操作来分辨自体和非自体，而DNA计算也是在碱基互补的串上进行操作的，分析了用DNA计算来发展AIS算法的可行性。本文通过对否定选择和克隆选择的深入研究，提出了基于免疫原理的分类算法，可用于解决实际应用中的分类问题。