树突状细胞算法(Dendritic Cell Algorithm,DCA)是基于树突状细胞的生物功能而建立,具有计算规模较小、识别能力较强、无需大量训练样本等优点,已被成功应用到异常检测、图像分类和故障诊断等领域。但该算法因提出时间不长,在优化改进和推广应用中还有较大研究空间。基于此,本文以优化改进DCA为主,并将其用于异常检测中。主要工作如下:1.用于无序数据集的改进树突状细胞算法针对DCA对输入数据顺序敏感而导致其在无序数据集上检测性能不理想的问题,提出了一种用于无序数据集的改进DCA。首先分析了 DCA对输入数据顺序敏感的原因;接着将抗原与输出信号融合作为输入数据,并且规定每个DC只采集与其编号相同的一类数据,从而避免了数据间的相互干扰;最后依据细胞环境值评判抗原。实验结果表明:该算法的检测性能不受数据顺序的影响,而且算法在无序数据集上的检测性能优于标准DCA和其他方法,精确度、误报率和漏报率分别为91.14%、5.29%和3.57%。2.基于主成分分析的改进树突状细胞算法为了实现自动降维和改善算法在无序数据集上的检测性能,通过引入主成分分析法和建立所选主成分与输入信号的对应关系,提出了一种基于主成分分析的改进DCA。首先采用z-score方法对数据集进行标准化处理,并且通过主成分分析法对标准化数据集进行特征降维;接着基于主成分的贡献率和输入信号对输出信号的影响权值,建立主成分与输入信号的对应关系,分配每个所选主成分到特定信号类;最后通过控制参数分析主成分个数、权值矩阵和信号转换公式对算法性能的影响性。实验结果表明:该算法在实现自动降维的同时在无序数据集上的检测性能也得到了改善,精确度、误报率和漏报率分别为 96.71%、0.86%和 2.43%。