近些年,各种病毒大规模传播的情况时有发生,给人类的健康甚至生命安全带来了严重威胁。其中,很具有代表性的就是甲型流感病毒(Influenza A Virus,IAV)。为了加强人们对病毒的免疫抵抗能力并且抑制病毒的蔓延,学者们对免疫系统进行了大量的研究实验。在众多研究方法中,模拟建模实验一直倍受青睐。其中,基于Agent代理的模型(Agent based models,ABM)和微分方程模型(Differential equations,DE)是两种应用最为广泛的模拟建模方法。相对于临床实验和生物实验,模拟建模研究方法利用虚拟的模型缩短了科研的实验周期,提高了科研效率。在应对流感疫情时,模拟建模方法能够快速建立模型,在最短的时间内掌握传染机制,避免大规模疫情的出现。这两种建模方法给科研工作带来了极大的帮助,但是也存在着无法被忽视的缺陷。ABM模型在估参时无法有效的与实验数据结合,所以导致估参效果差;另外,复杂的ABM模型还需要依赖于强大的计算机软硬件资源,估参效率低。DE模型虽然在估参方面表现优异,但是在建模方面却无法对复杂的免疫系统进行多维度多层次的刻画描述。本文为了解决ABM模型和DE模型在免疫系统建模研究方面的缺陷,研究提出了代理回归方法(IABMR)。首先,本方法建立了一个基于代理Agent的免疫系统模型,模拟人体肺部在甲型流感病毒感染下的免疫反应情况;然后,把粒子群优化算法和Loess回归模型进行整合,结合真实实验数据,完成了免疫系统的建模与估参研究。研究方法具体过程如下。免疫系统建模阶段。在分析了细胞生物学知识与实际情况之后,本文把系统中的同一种细胞群细化为三种细胞状态,增加了模型的维度和层次。同时,确定了系统中的两层交互关系:不同种类的细胞之间的相互作用;同种细胞不同状态之间的相互作用。在此基础之上,建立细胞状态转换图和转换方程。最后,利用基于Agent的建模方法,模拟刻画了在IAV感染下多维度的肺部免疫系统的ABM模型。寻优估参阶段。首先利用稀疏网格配点法生成一个四维输入参数向量空间。然后提取ABM模型多次运算之后的输入数据和输出数据对Loess非参回归进行训练,直到建立针对免疫系统的Loess回归模型。非参回归可以对同一数据进行多次不同拟合,以探索数据中可能隐藏的某种关系。最后,把粒子群智能优化算法PSO与Loess回归模型结合,对ABM模型进行参数寻优。实验结果与分析阶段。本文在完美实现IABMR本身算法的基础上,进行了多组对比实验。首先,对方法本身进行纵向效果对比。通过对向量空间大小、实验重复次数、数据噪声以及样本时间点个数等关键参数进行不同配置的设置,比较每种配置的平均相对误差。结果显示,参数向量空间越大,重复次数越多,噪声越小以及样本时间点越多都对实验结果有正向影响。然后,把IABMR方法与贪心ABM方法以及ODE模型进行横向对比实验。实验结果表明,IABMR算法的估参效率和精确度都高于贪心ABM算法,并且模型刻画的精细程度也优于ODE模型。综上,本文把基于Agent的建模理念、Loess非参回归以及粒子群优化等智能算法进行了有效的结合。建立的IABMR方法既可以对免疫系统进行多维度多层次的建模,又可以结合实验数据对模型进行有效的估参。本研究进一步缩短了实验时间提高了效率,并且减少了对计算机资源的过度依赖,对流感病毒等传染性疾病的深入研究有着非常重要的意义。