人工免疫系统对外部入侵的精确识别是通过模拟生物的免疫机制来完成的,在网络入侵检测上的应用非常的普遍。但是因为网络数据的流量越来越多,一般应用的基于否定选择算法检测的准确率和效率都不高。对此,本课题分别改进了对初始数据的降维与检测器的分布,提出了一种基于深度信念网络的免疫检测器生成及分布优化方法。本课题的主要内容如下:首先针对否定选择算法(Negative Selection algorithm,NSA)在检测器使用初始的自体集合进行生成时,因为初期数据非常繁杂的特征,导致生成检测器的效率很低的情况,提出了一种基于深度信念网络的免疫检测器生成算法,将深度信念网络运用到特征提取上,来预处理优化降维高维的数据,很大程度降低了初始数据的维度,去除大量的冗余,该算法在降维前后可保证原始数据高维的特征保留到最大程度,再利用否定选择算法后提升了成熟检测器生成的效率。对数据降维后,因为检测器在随机产生后不能均匀的分布在非自体的空间中,因此用否定选择算法对检测器进行随机生成时,会造成检测器利用的概率较低。对此,提出了一种基于粒子群优化算法结合克隆选择的免疫检测器分布优化算法。此算法将初步生成的检测器进行分布优化,为了使抗体的多样性增加,利用克隆选择算法的变异过程,再利用粒子群优化算法对抗体变异的方向进行指导,使收敛速度提高,用检测器所覆盖非自体的密度计算适应度,使得全部检测器都聚拢在异常的样本密度较大的地方,并解决检测器之间的冲突,让检测器可以均匀的散布在非自体的空间中,利用率得到提升。使用NSL-KDD数据集进行仿真实验。结果显示,此方法对检测器的准确率与误报率以及检测的效率表现比较良好。