由于科学研究向着更大规模、更高复杂度的方向发展,对高性能计算的需求越来越强烈。并行计算机系统是实现高性能计算的一种重要途径,但是随着系统规模的扩大,系统出现故障的概率也随之增大。因此,如何保证系统的高可靠性就成为一个重要的研究课题。系统级故障诊断是在不增加额外成本的情况下,提高系统可靠性的一种方法,具有较强的实用性。其主要思想是充分利用系统中各个处理结点的计算和通信能力让它们相互测试,通过对测试结果进行分析,得到诊断结果。系统级故障诊断的核心问题是根据处理结点相互测试的结果,设计高效的诊断算法。本文研究了在PMC模型下、基于人工免疫方法的系统级故障诊断算法。在Yang的基础上,通过分析其算法的问题和不足之处,提出了一种高效的人工免疫诊断算法。与Yang的算法相比,我们首先根据PMC模型的特点提出了一种生成初始种群的优化方法,从而提高了初始种群的质量;其次定义了新的亲和度函数,使算法考虑故障集的所有症候;最后在算法中增加共享结构记忆最佳抗体,并设计了新的算法和变异方法。在理论上证明了算法的正确性和收敛性,实验结果也表明在CPU时间和迭代次数上都优于原算法。为了进一步研究算法的有效性,本文将算法应用于Haq提出的互连网络Cross-cube上,它是超立方体（Hypercube）的一种变型。我们证明了n维Cross-cube在PMC模型下的t-可诊断性度是（n+1）（n≥4）,实验结果表明本文的算法是有效和适用的。另外也证明了Cross-cube在PMC模型下的t₁/t₁-可诊断性度是（2n-2）（n≥4）。