生物体的免疫系统是一个具有模式识别、分布式检测、记忆能力、多样性、整体网络学习能力等特征的系统，其具有的诸多特性是目前解决实际工程与应用的系统所期待拥有的功能。人工免疫系统(Artificial Immune System,AIS)是借鉴生物免疫系统，以生物体免疫系统所具有的诸多特性为基，解决实际工程与应用中遇到的问题的崭新学科。阴性选择算法(Negative Selection Algorithm)便是参照生物免疫系统阴性选择原理提出的仿生学算法，是人工免疫系统开发的核心算法之一。目前，阴性选择算法广泛应用于模式识别、病毒检测、网络入侵检测、异常检测等具体的工程应用之中。本文通过对Forrest阴性选择算法的研究，针对采取连续γ位匹配规则阴性选择算法中存在的成熟检测器集较大，以及采用部分匹配规则的模式空间中的“黑洞”问题，提出了一种改进的阴性选择算法，并对新算法的性能以及各个参数的选取进行了分析。所作的研究工作归纳如下：1．详细的研究了Forrest阴性选择算法中参数选取对算法各方面的影响，并指出原算法中待改进的地方。2．针对Forrest阴性选择算法待改进的地方提出了基于海明距离的阈值自适应阴性选择算法，并在理论上分析各个参数的选取依据。3．对新算法进行了理论分析与仿真实验验证，并与Forrest阴性选择算法进行了对比。结果表明，新算法比原算法具有更小的成熟检测器集，具有更快的监测自我集的速度，并有效的减少了“黑洞”数量。4．对研究工作进行了总结，并展望了下一步的工作。