生物免疫系统是一种高度并行的自适应信息学习系统，它能自适应地识别和排除侵入机体的抗原性异物，并且具有学习、记忆和自适应调节能力，能够维护机体内环境的稳定。近年来，人们逐渐意识到生物免疫机制对开发新的计算智能的启示意义，人工免疫系统(Artificial Immune System，AIS)即是受生物免疫系统启示而设计的新型算法和模型的统称，已经用于机器学习、异常和故障珍断、机器人行为仿真、机器人控制、网络入侵检测等领域，表现出较卓越的性能和效率，它已经成为计算智能大家庭的卓有成效的新成员。但是由于人工免疫系统只是近些年发展起来的新的研究领域，虽然关于它的研究已被越来越多的人所重视，并逐渐成为关于新的进化计算和模式识别方法研究的一个热点，但是，整个研究工作仍然显得比较零乱，缺乏系统性，有些方法名为人工免疫方法，实质是对原有方法的改造，失去了应用免疫系统的意义；另外，对于人工免疫系统的模型和应用缺乏深入的探讨，许多模型和方法并未真正体现出人工免疫系统的应用特点。并且近年来在人工免疫系统应用研究中，关于人工免疫系统应用于数据聚类方面的研究逐渐多起来，但是目前的人工免疫系统应用于数据聚类的过程中存在有许多不足，例如：聚类方法中的很多参数需要人们根据经验判断手工输入，而不能根据聚类过程的进行自适应地变化；参数的设置不合理而造成参数对于网络的变化过于敏感；对网络中的参数分析不充分等等。本文正是基于这样的认识，希望在免疫系统模型构造，算法实现以及应用于数据聚类方法的参数设置问题作深入的探讨。首先有针对性的介绍了生物免疫系统的一些基本概念、系统组成、功能原理等；概述了人工免疫系统的一些主要原理及应用，在此基础上，提出了人工免疫系统的一般模型框架。然后，对现有的典型的人工免疫系统应用于数据聚类的算法进行详细分析，并在现有算法的基础上，针对其不足，提出了改进算法，通过仿真实验进行了验证。总的来说，本文的主要研究集中于：1．在认真分析和总结现有人工免疫系统的各种形式的基础上，提出了人工免疫系统的一般模型框架及其应用方向；2．以人工免疫系统的一般模型为指导，对现有的聚类分析方法进行研究，针对现有的人工免疫系统在解决聚类问题时的缺陷，提出了一种新型的自适应聚类人工免疫算法，在该算法中网络抗体问的抑制阈值、抗体的克隆数目、抗体的选择和再选择数目、抗体的变异的大小都随网络进化而自适应变化，使最终网络结构更加符合原始数据的内在结构，同时，对算法的参数进行了细致深入的分析和优化，减弱了算法对问题的依赖性并且重要参数可随运算过程自适应确定，减轻了用户需自行预定重要参数的负担，最后进行了仿真实验进行验证。