目前，电子邮件已成为人们生活中便捷的通信手段之一，但是垃圾邮件的泛滥耗费了大量的网络资源，造成了严重的社会问题。当前的垃圾邮件过滤技术不同程度地存在缺陷，比如训练时间长或对突然的变化反应不敏感等。人工免疫系统(AIS)具备强大的识别、学习和记忆的能力，它的自体／非自体识别能力正是识别垃圾电子邮件良好而又天然的解决方法，灵敏的免疫反馈机制为识别变化多端的垃圾邮件提供了解决之道。本文介绍了人工免疫系统原理及其产生背景与相关研究，对当前的垃圾邮件过滤技术进行了分析，指出了这些技术存在的问题，进而讨论了人工免疫原理用于垃圾邮件过滤的合理性。在研究现有免疫算法的基础上，针对当前算法中存在的问题，提出了AISEC的改进算法模型DAICA。该模型采用虚拟基因库技术，对AISEC的抗体更新过程进行改进，确保抗体更新时能充分利用参与分类的抗体的信息，从而保持先前抗原的信息，并通过实验在标准UCI数据集上验证了该改进算法的有效性，同时对算法中涉及到的参数进行了详细的分析讨论。在深入研究危险理论的基础上，设计了一个基于危险模式的动态垃圾邮件过滤模型—DTDEF，给出了该模型的基本架构及其具体实现算法，该算法在进行垃圾邮件过滤时充分体现出动态性、学习的自适应性和分类的有效性等特点。最后，针对DTDEF算法，本文采用实际生活中采集到的真实数据进行实验，并与经典的Bayes算法进行比较分析，结果发现基于危险理论的DTDEF算法在不同的更新周期下大部分时间均优于Bayes方法，尤其当更新周期为1时，性能远远高于Bayes方法。