随着信息产业的飞速发展，网络与信息安全存在的问题也越来越多。作为一种积极主动的网络安全技术，入侵检测的研究越来越受到广大学者的重视。而生物免疫系统所具有的自适应性、鲁棒性和自组织性等优良特性，可以很好地应用于入侵检测技术。基于生物免疫机制的入侵检测技术已经成为当前的一个研究热点。其中的自体集合和检测器集合作为系统检测模块的重要组成部分，对于系统的检测性能有着极其重要的作用，需要深入研究。本文就以自体集合和检测器集合为研究对象，围绕自体筛选与更新、检测器集合优化、自体与检测器集合学习机制等问题展开研究。作为训练生成检测器的重要基础，自体集合本身存在许多不足，特别是在实值空间，比如多分区、边界交叉、自体样本重叠等，他们会造成边界黑洞、生成代价过高等检测器问题。为了解决以上问题，借鉴模糊聚类方法和概率统计中的高斯理论，提出一种自体集合优化算法，通过计算自体样本间的亲和力，用模糊聚类算法分化自体集合，并在各个分区内利用高斯理论处理噪声和高重叠。通过实验验证，该算法可以有效地解决自体集合存在的问题，从而提高生成检测器的效率。自体集合是由正常数据的经验值构成的。由于环境在随时间变化而变化，过去的正常数据可能已经不能反映当前的真实情况，从而影响检测器的训练生成效果。针对这一问题，借鉴免疫监督机制、免疫反馈原理等，提出一种自体集合实时更新算法，该算法包含多个处理模块、辅助集合来处理不同情况下的自体操作及协同实时更新，从而有效地保证自体集合实时有效地反映真实环境。通过实验验证，算法可以很好地实现预期的目标，为检测器的训练和生成打下一个坚实的基础。以基于免疫机制的入侵检测中的检测器为研究对象，针对其在实值空间下的黑洞、检测器重叠等问题，借鉴生物免疫系统调节机制，提出一种检测器集合优化算法，通过比较检测器间的亲和力，判断检测器的优良程度，并利用子代替代效果较差的个体来改善检测器的分布性能。通过实验测试，经优化后的检测器集合对非自体空间的覆盖率有了显著提高，有效地提高了检测器的检测性能。检测器集合的动态更新对系统的检测性能起着关键作用。受到生物免疫系统中自体与免疫细胞随环境和时间不断变化更新的启发，借鉴生物工程领域的疫苗技术，提出一种检测器集合自适应学习算法，设计多个检测器学习模块，从而使得检测器可以随环境的变化而不断地学习新知识，实现了进化过程的自适应。通过实验证实，该算法可以有效地使检测器集合时刻保持对环境的认识，保持良好的检测性能。本文主要研究基于免疫机制的入侵检测系统中的自体集合与检测器集合这两个系统检测模块最重要的部件，针对其中存在的问题提出相应的优化算法，加入动态更新和自适应学习机制来改善系统检测性能。以上内容不仅对基于免疫机制的入侵检测技术有很大的应用价值，而且其中的算法也拓宽了人工免疫理论及其相应的研究领域的研究范围。