本文针对经典聚类算法对初值敏感和易陷入局部极小值的问题,借鉴免疫细胞从不成熟到成熟,进而转变为记忆细胞和抗体这一基本原理来指导数据对象聚类,提出了一种基于人工免疫细胞模型的C-均值聚类算法。该算法一方面以亲和力为评判标准的二重选择法,力求所选个体更具代表性;另一方面,通过引入一种自适应变异策略对选出的个体进行变异操作,提高计算效率;并根据抗体浓度抑制原理选择最佳抗体组合,以达到优化的目的。在整个寻优过程中,充分利用免疫记忆机制,保存优秀个体,替换较差个体,保证算法的良性进化。通过与遗传指导算法（GGA）和人工免疫C-均值算法进行比较,初步显示新算法有利于提高其获得全局最优解的概率,在精度方面也有很好表现。在上述工作的基础上,本文进一步研究了基于免疫粒子群优化的聚类算法。针对粒子群优化算法和传统聚类算法易产生“早熟”现象的不足,把人工免疫系统的免疫信息进化处理机制引入到粒子群优化算法（PSO）中,提出一种基于免疫进化粒子群的动态聚类算法。算法中粒子适应度的高低有效表明粒子所对应分类方案下聚类效果的优劣,在此基础上选择部分粒子进行多点均匀突变;初始聚类数遵循经验规则k_max≤n^1/2（n为空间样本数）,并以性能代价函数为评判标准逐级递减寻找最优k值,实现动态聚类。仿真实验证明,将具有较强全局寻优能力的PSO与局部搜索能力较强的免疫进化机制相结合,可以提高它们各自处理问题的能力,避免“早熟”现象,同时使收敛精度较粒子群聚类明显提高。通过理论分析和实验论证,我们可以认识到利用免疫思想改进聚类算法进而提高聚类质量是可行的,文中所提出的混合聚类算法对解决实际聚类问题有一定的参考价值和实用意义。