生物免疫系统是一个高度进化的生物系统,从计算的角度来看,生物免疫系统是一个高度并行、分布、自适应和自组织的系统,具有很强的学习、识别、记忆和特征提取能力。人们基于生物免疫系统开发了人工免疫系统,借鉴免疫系统的功能和原理用于解决复杂问题。本文在深入研究人工免疫系统的基础上,分析了免疫系统在增量学习方面的优势,将其用于弥补PSO算法该方面的缺点,然后又讨论了免疫聚类算法设计模型,最后分析了免疫优化系统目前存在的缺点,并提出了有效的解决办法。本文首先对数据分类进行了探讨。当前各个领域中的目标数据越来越庞大,对算法增量学习能力的要求也越来越高。免疫记忆机制作为AIRS增量学习能力的核心,可为其他算法所用。本文针对PSO算法在增量学习方面的弊端,引入AIRS的免疫记忆机制,开发了一种免疫混合PSO增量分类算法。通过在若干UCI标准数据集上进行的仿真,证明该混合算法具有增量学习能力,且在分类准确率方面也比一些经典分类方法具有优势。其次分析了聚类问题中的免疫方法,针对目前免疫聚类方法繁多,却没有一个系统的算法设计框架的问题,本文通过对一个成功的免疫聚类算法—aiNet的深入研究和归纳总结,提出了一个系统的免疫聚类算法设计框架。该设计框架将聚类算法的设计分割成了五个主要部分,并对每个部分采用的设计思想进行了细致的阐述,为新算法的设计给出了框架上的指导。最后深入探讨了免疫算法在优化问题中的应用,针对opt-aiNet算法种群无规律变异导致其在单目标优化中收敛速度降低的问题,本文对opt-aiNet算法抗体的变异过程进行了改进,引入了PSO算法中粒子飞行的策略,使抗体具有了有方向变异的能力,提出了一种具有双变异机制的opt-aiNet算法。本文还将新算法应用于无线网络规划问题,与无线网络规划中普遍应用的GA相比能更快更好地发现全局最优解,同时和传统opt-aiNet相比在搜索效率上有了较大提高。