随着网络安全越来越受到重视，以防火墙为代表的传统安全防护技术越来越不能适应时代的发展。入侵检测技术作为一种新型的动态防护技术，很好的弥补了它的缺点，是现代网络防护体系的一个重要组成部分。由于受到自然免疫系统的启发，基于人工免疫理论的入侵检测技术受到了人们的关注。它具有分布式、多样性、健壮性、自适应性等诸多好处，为当前入侵检测技术研究提供了新的方向。在基于动态克隆选择的免疫入侵检测系统中，成熟检测器的质量对于系统性能有重要影响，一个覆盖所有非自体集的检测器集能有效的提高检测效率和准确率。首先现有的成熟检测器集存在的重叠现象，既浪费了宝贵的检测器空间，又不能很好的覆盖非己空间；其次系统为了保证合适的误检率需要过多的人工刺激，这样降低了系统的灵活性，对于系统的性能也会产生影响；最后目前基于人工免疫的入侵检测系统只能检测出是否发生入侵，而不能识别异常数据的类型，然而这对于分析网络入侵行为具有重要意义。为了让检测器能够识别异常数据类型和解决检测器重叠的问题，本文提出了一种检测器的标识学习和优化算法。算法对初始化的成熟检测器以每个非己抗原为中心进行聚类学习，得到每个类内检测器的标识，用以识别异常数据的类型；同时为了解决重叠问题，在经过N代之后，对成熟检测器集进行优化，对浓度较高的类内部分检测器进行变异和删除，保证检测器的多样性，提高检测器对非己抗原的覆盖范围。针对人工刺激请求过多的问题，本文考虑添加一个基于贝叶斯和决策树的协同刺激模块来代替管理员人工干预，需要协同刺激信号时，使用该模块给予反馈信号。如果到达某种条件则直接发送协同刺激信号，否则再请求管理员给予确认信号，这样系统可以快速地对检测器模块的刺激请求做出回应，提高了检测器的质量，使入侵检测系统对异常行为的反应更高效。最后通过仿真实验对提出以上改进的动态克隆算法框架进行了验证，证实了改进算法的可行性和有效性。