科学和工程应用领域中的很多问题都可以通过数学建模转化为函数优化问题(Function Optimization Problems, FOPs)，因而对函数优化问题的研究具有十分重要的理论和实际意义。免疫算法(Immune Algorithms, IAs)是基于近年来新发展起来的计算智能系统——人工免疫系统((Artificial Immune Systems)平台而发展起来的一类仿生算法。进化算法(Evolutionary Algorithms, EAs)是一类模拟自然进化机制而发展起来的随机搜索算法。近年来这两类算法已被广泛地应用到函数优化问题求解中，并产生了大量的函数优化方法。首先，本文系统地总结了免疫算法和进化算法的基本理论及其应用，对这两类算法的特性进行了详细地分析，并对两者的搜索机制和算子进行了比较研究，探讨了其在求解高维函数优化解中的优势和不足，对两类算法在求解高维函数优化问题中进行优势融合的可行性进行了分析研究。其次，在对免疫算法和进化算法进行系统研究的基础上，本文利用进化算法的分布式模型，结合免疫算法的记忆机制设计了一种新的主从式模型（NewMaster-Slave Model, NMSM）,此模型中采用改进的精英保留策略和精英交叉策略，实现了精英个体的优势融合以及从种群和主种群的并行进化。在此模型的基础上设计了分布式免疫进化算法（Distributed Immune Evolutionary Algorithm，DIEA）。此算法包括主种群进化模块和子种群进化模块两个部分，子种群进化模块负责搜索子种群空间中的精英抗体并与主种群模块共享，主种群模块负责精英抗体的进化和对进化过程的控制，对免疫算法和进化算法的经典算子进行了改进，使算法的整体性能有了很大提升，然后对算法的整体性能进行了分析，并给出了算法收敛性的证明。最后，本文设计了基于多线程的虚拟并行计算仿真系统，通过不同的测试函数验证了DIEA在求解速度和求解质量上的可行性和有效性。在论文的最后对整个研究工作进行了总结，为算法的进一步改进和应用提供了一些参考。