地震危害严重,但及时准确的预测就能有效减少损失。在地震发生前常伴有种类和数量不等的前兆异常存在,对前兆的观察和监测是地震预测的重要手段。震前发生的电磁和地声数据的异常现象已经被大量的震例验证,对其进行数据采集和分析逐步成为地震前兆预测研究领域的热点。多分量地震监测系统（Acoustic&Electro-Magnetic Testing All in One System,AETA）布设了高密度大规模的监测台站,每个监测台站都由高精度感应式磁传感探头和压电薄膜地声传感探头构成。AETA为地震前兆预测提供了长期、稳定和实时的观测数据。基于AETA数据进行地震预测时,面临两个难点:1)AETA数据类不平衡问题严重。未发生地震的正常样本充足,而发生地震的异常样本则严重匮乏,现有预测方法没有足够异常样本进行训练往往效果欠佳;2)震时和非震时前兆异常难以区分。AETA设备受到自身或外界环境干扰时所产生的非震时异常与震时异常类型相似,导致现有方法难以准确区分震时异常和非震时异常。受免疫系统中自然杀伤细胞浓度激活、反向选择、克隆选择和多细胞协作等机制启发,建立计算机免疫模型以期提高AETA地震预测性能。主要工作如下:借鉴自然杀伤细胞浓度激活机制并结合AETA数据特点,为每个异常样本生成安全区域并分配不同权重,在其安全区域内根据权重大小生成数量不等的新样本,缓解AETA数据中的类不平衡问题;反向选择算法无需过度依赖异常样本,使用充足的正常样本训练就能检测出大量异常,已广泛用于AETA地震预测领域。但反向选择算法存在“噪声敏感”等不足,引入“密度”的概念对反向选择算法进行改进,使用克隆选择算法进行参数优化,使其可以达到更优的预测结果。引入多细胞协作机制。单一的某个或某种细胞很难对病原体做出正确的免疫反应,多细胞协作能够弥补单一细胞进行免疫反应的不足。受此启发,将AETA电磁和地声数据按时域和频域划分为不同的特征子集,并分别为之建立模型作为不同种类的免疫细胞,识别时域异常与识别频域异常的免疫细胞相互协作,能更好的区分震时与非震时异常,最终对地震震级范围做出预测。在前述工作基础上提出计算机免疫模型用于AETA地震预测。以AETA采集的电磁和地声数据作为实验数据,预测AETA台站周围100KM、未来一天的地震震级范围。设计了多组对照实验验证模型的有效性。结果表明,提出的模型用于AETA地震预测有更高的准确率和更低的漏报率。