本文以复杂不确定环境下地下工程施工的实时风险辨识为研究对象，研究不同于传统风险辨识技术的智能方法，提高对不确定环境和未知危险的适应能力和辨别能力，增强辨识方法的有效性和实时性，满足实际地下工程施工的需要。 生物免疫系统面临的环境完全是不确定的、时变的，外界入侵物(抗原)的形式几乎是无限的，而且何时、何物侵入生物体都是事先不得而知的。而免疫系统对已知和未知的抗原都能出色防御，被认为是已知的最精妙复杂的身体抵御外部物质的系统。本文借鉴生物免疫系统抵御外来入侵的机理，通过人工免疫算法对地下工程进行风险辨识。 本文以人工免疫系统中的克隆选择原理为理论基础，首先尝试用标准克隆选择算法解决二分类模式识别问题。对标准数据集和实际地下工程数据的仿真实验结果表明，标准克隆选择算法在解决二分类问题上，算法本身存在以下几点不足：(1)随机产生的初代抗体群质量不高，不利于得到理想的进化结果；(2)算法对反向数据的识别精度比较低；(3)克隆增殖策略没有很好地体现免疫系统中克隆增殖机理，以至优秀抗体没有得到充分发展；(4)标准的克隆选择算法为一种离线的、有监督的免疫算法，不适用于解决复杂不确定环境下的地下工程风险实时识别问题。 本文针对以上不足，提出了一种改进的克隆选择算法ICSA。ICSA算法相对于标准克隆选择算法有如下重要改进： (1)相对标准克隆选择算法的随机产生初代抗体群的方法，ICSA算法利用负选择算法产生初代抗体群，优化了初代抗体群的质量，有利于算法进化出更优秀的抗体； (2)ICSA算法加入了对抗原性质的评判环节，利用“Self”集对待识别抗原进行再判定，有利于提高原算法对反向数据的识别精度； (3)模拟生物免疫系统中抗体增殖的动态行为，引入克隆选择动力学模型，用以指导ICSA算法中的抗体增殖操作，使较好的抗体得到更多的机会参与变异操作； (4)ICSA算法针对盾构地下工程风险实时识别的要求，采用在线和增量式的学习方式，做到边学习、边识别、边更新。对标准数据集与盾构地下工程数据的仿真实验表明，ICSA算法在二分类模式识别上具有较高的分类性能。 本文最后在课题组提出的地下工程风险辨识模型基础上，将ICSA算法应用到盾构进出洞风险监控系统，并用ICSA算法对长江隧道工程数据中的土压力和推进数据进行了风险辨识和分析，取得了较好的结果。