随着信息化技术的发展,计算智能方法在数据挖掘中的应用已成为人们研究的重点。人工免疫系统通过模拟自然免疫机制,具有学习、记忆、自组织、分布式等特点,如果将人工免疫思想尤其是人工免疫网络恰当地应用到分类的学习和识别中,能够增强分类算法的学习记忆能力,提高其识别准确度。本文在深入分析免疫机理工作方式的基础上,提出了两种基于人工免疫网络的分类算法。论文首先对免疫系统和数据挖掘中的分类进行了简要的介绍,对自然免疫系统理论、人工免疫系统的仿生机理、机器学习及现有分类算法进行了较为详细的说明。然后,论文提出了一种带有阴性选择的人工免疫网络分类算法和一种基于自适应半径的人工免疫网络分类算法,并分别进行了实验分析。带有阴性选择的人工免疫网络分类算法通过将自然免疫系统中B细胞在胸腺中的成熟机制引入免疫网络,使不同类别之间的抗体协同进化,保证了最终的网络抗体都能代表各类的典型样本,减少了记忆细胞的数目,并得到了较好的分类效果。基于自适应半径的人工免疫网络分类算法将多粒度引入算法,通过在学习过程中自适应调整抗体抑制半径,保留了训练数据的密度信息,同时引入半径衰减及反馈机制,对未能学习成功的数据进行重新学习,得到了更具代表性的记忆细胞。