人工免疫系统(Artificial Immune Systems,简称AIS)是由生物免疫系统启发而来的计算系统,它借鉴了一些免疫系统的功能、原理和模型并用于解决工程实际问题。它是继遗传算法和人工神经网络后又一受生物信息处理机制启发的计算范式。作为人工免疫系统的核心,已有的免疫算法主要有否定选择算法、克隆选择算法和人工免疫网络等。但是,这些免疫算法大都受理论免疫学或者免疫系统某一特定信息处理机制启发,不具有免疫系统的整体特性,仍然有很多免疫机制未被利用。同时,在现有的研究中,只要是受免疫系统启发而设计的系统都被称为人工免疫系统,缺乏一个统一的架构。针对这种现状,本文以设计免疫系统整体算法,构建人工免疫系统的统一架构为主要研究目标。为了验证算法的有效性和拓展人工免疫系统的应用领域,本文将人工免疫系统应用于MODIS数据宏观土地覆盖分类,为这一领域开拓了新的研究思路。本文在全面深入地分析了生物免疫系统的基础上,提取了免疫系统所具有的重要隐喻。为进一步研究分析和设计人工免疫系统整体算法奠定了基础。这些隐喻包括基于互补匹配的模式识别、自己/非己识别、基于级连的监督调节机制、基于单克隆选择的多样性产生和特异性识别机制、基于记忆的强化学习机制、基于联想记忆的网络保持机制、以有限的资源识别近乎无限模式的形状空间理论。基于以上的免疫隐喻,在借鉴了免疫系统识别并消灭抗原的过程的基础上,本文提出了免疫系统整体算法(Framework of Immune Algorithm,简称FIA)。参照免疫应答的四个阶段,免疫系统整体算法也包括四个阶段。初始化阶段为确定工程实际问题在免疫系统的映射,即确定系统组件;识别阶段为确定系统组件的亲和力度量;进化阶段为算法的核心阶段,用于搜索问题的解或解的特征值;效应阶段具体解决问题。该算法充分利用了免疫系统具有的信息处理特性,针对不同的具体问题可以有不同的实现方式。本文提出了免疫系统的整体架构。人工免疫系统的三层次架构勾画了人工免疫系统的一般结构,给出了人工免疫系统的三个构成要素。其第一个层次为系统的组件表示,第二个层次为系统组件间距离的度量。系统的组件表示就是免疫系统的各细胞和分子在人工免疫系统中的映射。系统组件间距离的度量又称作组件间的模式匹配,它描述了系统组件间的模式匹配方式。最后一个层次为免疫算法,它描述的是免疫系统组件间的相互作用方式。作为人工免疫系统三层次的核心,免疫算法是人工免疫系统解决工程问题的具体方法实现。以人工免疫系统三层次架构为指导,本文将免疫系统整体算法在数据分类领域内实现,提出了基于人工免疫系统的数据分类算法。该算法用基于Chi-squared距离度量的局部特征相关性分析模拟T细胞监督机制,提高了分类精度。通过试验对该方法的性能和特点的探讨,证明了这是一个有效的数据分类方法。本文将人工免疫系统应用于遥感数据处理,对使用MODIS数据进行土地覆盖分类进行了深入的研究。MODIS虽然较TM影像分辨率低,但其具有多光谱,多时相,易获取等优点,用于对宏观土地覆盖研究具有重要的意义。本文将基于人工免疫系统的免疫算法应用于MODIS数据分类,结果证明这种方法都能提高分类精度。在分类过程中,本文充分利用MODIS数据多时相的特点,提取了4个时相的植被指数,水体指数和土壤亮度指数参与分类,结果证明前两种能明显提高了分类精度而土壤亮度指数对分类精度没有多大影响。