生产力的发展要求人们对客观世界不断探索和认知，模型的建立可以帮助我们更加深入地了解真实世界。然而在许多重要领域，如化学化工、材料科学等，仍有许多对象的内在机理暂时还难以为人们所了解，因此很难建立真实反映这些对象变量间内在关系的准确模型。根据采集研究对象的观测数据建立模型，预测自变量和因变量之间的定量关系，是一项基础而重要的工作。然而，化学化工中的观测数据大多是多因子、高噪声、非线性、非高斯和非均匀分布的复杂数据，人们很难直接从这些复杂数据中发现影响模型可靠性的关键因素，此时需要利用数据挖掘技术从中挖掘有用信息，用以指导建立和检验模型。分类是数据挖掘中最基本的工作，因此利用模式分类技术对样本数据分类意义非凡。本文通过分析蚁群优化算法和其它一些优化算法的优缺点，应用算法混合的一般原则，深入了解待优化问题本身的特性，提出了结合免疫机制的蚁群优化算法，用于解决组合优化问题。将其用于解决TSP和实际模式分类问题，试验结果表明该算法具有良好的全局寻优性能，在组合优化问题中有较大的应用潜力。本文的主要研究成果如下：1．提出了结合免疫机制蚁群优化算法。蚁群优化算法收敛速度快，但容易陷入局部最优且解构造计算复杂度较大；而免疫算法操作算子简单、能有效维持种群多样性和防止种群退化。本文结合实际需求和优化问题本身的特性，提出了结合免疫机制的蚁群优化算法，获得了较强的全局和局部寻优能力。2．在连续样本数据的模式分类问题中，针对蚁群优化算法的离散化本质，通过选择适当的分类规则表达式与评价函数，利用从属性值域中提取出的候选阈值(点)，将规则学习问题转换为组合优化问题，进而采用结合免疫机制蚁群优化算法进行规则学习。3．通过深入分析分类规则表达式和评价函数与训练样本数据之间的内在关系，提出了一种能有效地减少候选点的方法，降低了规则提取问题规模和后续优化的复杂度，提高算法寻优效率。最后将结合免疫机制蚁群优化算法应用于规则学习中，构建的模式分类器性能良好。总之，论文对蚁群优化算法、免疫算法和模式分类中的规则学习问题作了较为全面的分析，为化学化工中复杂数据的信息挖掘和建模提供了新的途径。文章最后对所做的工作进行了总结，并提出了进一步研究的方向和思路。