随着“互联网+”和“4G时代”的到来,计算机病毒愈加呈现出高爆发的趋势。现有研究成果中,针对计算机病毒的检测方法多停留在传统特征码比对阶段,存在诸多问题,主要体现在抗混淆能力差、缺乏智能性、缺乏关联分析和对新生未知病毒无能为力等方面,亟待解决。针对这些问题,本文借鉴人工免疫中阴性选择算法、克隆选择算法和混合智能算法三种思想分别设计提出了三种计算机病毒检测模型。首先,提出了一种基于阴性选择思想和图形模式挖掘的病毒检测模型,改进了特征图构建算法和g-Span算法中子图比对的部分,并设计了一种图形相关度的计算方法,提高了模式挖掘的效率。实验表明,该模型平均检测正确率(DR)为97%,平均检测精准度(ACC)为97%。其次,聚焦家族关联分析问题,提出了一套基于克隆选择思想的完整算法方案,并结合聚类算法设计了一个计算机病毒检测模型。在实现检测恶意病毒的同时,还给出其家族行为特征,对后续病毒处理提供了大量的参考信息。实验表明,模型对恶意病毒的正确识别率(SR)平均为94.62%,给出的家族参考特征正确包含率平均为98.16%,并有多组实验中出现了正确包含率为100%的情况。最后,设计提出了一个基于人工免疫神经网络的病毒检测模型,并给出了多种通用化的优化策略和方案。实验表明当训练集数据量维持在10万条以上时,模型在多组数据集上的恶意病毒正确识别率占比平均值(TDR)为92%,误检占比(FPR)维持在8%左右。