数据分类技术作为数据挖掘中的核心和基础技术之一,它的许多分类方法已经由机器学习、模式识别和统计学方面的研究者提出。作为软计算分类算法中的一员,人工免疫系统中的负选择算法在数据分类领域取得了不错的成效。但是,传统的负选择算法检测器的生成通常基于随机搜索,不仅时间成本高,而且不能保证得到的检测器最优,因此有时会因为找不到有效的检测器发现某些异常样本,算法对于异常数据检测率的提高遭遇瓶颈。　　 为了克服负选择算法的缺点,本论文主要研究了一种基于人工免疫系统和自然计算的新型分类算法,提出了一种基于遗传算法和克隆选择算法的多层负选择算法检测器优化方案。在这种新的混合算法中,遗传算法被首先用来获得能够对非我样本实现最大覆盖的检测器集,这些检测器进而被克隆选择算法进行第二层优化从而实现对异常样本的最佳覆盖。特别地,如果在检测器集经历第一层优化后空间中仍存在无法覆盖到的异常样本,那么将产生一个新的能有效覆盖该异常样本的检测器,然后将该检测器与其最近邻的检测器融合并加入到检测器集中,再使用克隆选择算法进行优化,从而保证在检测器数目不变的情况下,检测器集能对异常样本进行更快更有针对性地识别。双层算法分别使用自我样本和异常样本,具备提高异常数据检测率的能力。这一点在模拟的二维空间数据分类实验和实际的垃圾邮件过滤实验中均得到了验证。