复杂的工业过程对象往往具有多变量、强耦合、强非线性、时变等特点。采用单一模型难以精确描述其过程特性,模型的精度和推广能力也很差,且成本很高。而多模型系统由于其简单的模型结构和强大的非线性逼近能力为复杂工业对象的建模与控制问题提供了一个可行的思路。多模型方法被认为是处理非线性系统常用的方法和技术。然而,多模型建模过程中模型集以及元素模型的多少和模型的相关匹配程度将直接影响控制的精度和性能。在保证控制精度的前提下优化模型集,减少元素模型个数,可以提高计算速度,满足工业控制实时性的要求：另外由于执行机构的磨损、外界环境的变化等原因都会造成对象特性的改变或新工况的出现,使得离线辨识得到的多模型系统很难自适应地反映对象的非线性特性。考虑到在实际系统中,在某一时间段内,输入往往被限定在某一范围内,并不覆盖整个输入空间。因此只要确定出输入空间中的部分子空间,就可以达到需要的精度,进而节省学习时间。基于这一点,并结合免疫系统中抗体识别抗原的机制与卓越的优化学习能力,本文提出一种基于免疫原理的多模型建模方法。该方法结合网格空间划分方法,以建模数据为抗原,子空间为抗体,采用人工免疫原理动态调整子空间的数量,并针对每一子空间分别建立一个局部线性模型,利用最小二乘法对每一个局部线性模型的参数进行在线更新,通过隶属度加权融合的方式得到多模型的最终输出。仿真实验的结果表明该方法具有简单、学习速度快、实时性强等特点,适合多输入系统的在线学习和结构调整。基于免疫原理的多模型建模方法可以自适应地反映对象的非线性特性,对于模型集的选取、优化、更新方面具有切实可行的意义。