随着经济和科学技术的快速发展,电子商务的发展也是日新月异,越来越多的人参与其中。我们知道电子商务的交易具有不限时空性、虚拟性等特点,是一种非面对面的交易形式。这种交易形式给人们带来了极大的便利,不用出门,随时随地可以通过网络进行交易。人们在享受电子商务带来便利的同时,同样伴随着一系列电子商务信用风险问题的产生。由于一些信息的不对称或者商家或者消费者自身的一些原因,造成了消费者对电子商务企业产生各种信任问题,以至于损害了电子商务企业和消费者的利益,对于电子商务的健康发展形成了极大的隐患,正是基于这个原因,近些年来有关电子商务信用风险的评价研究也越来越多,同样也是人们关心电子商务健康发展的一个研究热点和重点。本文正是基于对电子商务发展的探索,并且参考大量的文献资料。特别是对免疫算法的学习,发现可以在此基础上做一点工作。免疫算法是一种具有强大功能的人工智能算法,近些年来更是得到了广泛的发展和应用,并且都取得了很好的效果。加上之前关于推荐算法和差分进化算法的学习研究,本文具体介绍了生物免疫系统基本概念以及由免疫系统演变而来的免疫算法以及本文所应用的人工免疫系统的基本概念、原理和算法实现过程,以及推荐算法中的用户相似性和差分进化算法的交叉、变异和选择的操作过程。发现可以将推荐算法和差分进化算法的一些内容与免疫算法进行结合,即采用推荐算法中用户相似性的pearson度量方法来度量人工免疫网络中抗体-抗体或抗体-抗原的适应度；同时对于人工免疫网络中抗体的克隆选择过程,本文采用差分进化算法的交叉、变异、选择的操作来替代。因此本文提出了一个基于用户相似性的人工免疫网络电子商务信用风险评价模型(USAIN).本文参考文献资料,整理了一套电子商务信用风险评价指标。选取了200家电子商务企业的信用风险情况作为实验数据。参考文献资料,将数据分为三大类,即信用好、信用中等和信用差。以本文的提出的模型(USAIN)为实验模型、用原始的人工免疫网络算法(AiNet)作对比,对数据进行计算机仿真实验,通过观察仿真图像、分析算法的收敛性以及算法的精度分析。发现USAIN算法模型能很好完成对电子商务的信用风险的评价,在聚类成功率上USAIN算法的100％高于AiNet算法的90%,在总体错误率上,USAIN算法的0.045的错误率明显高于AiNet算法的014的错误率。因此USAIN算法模型具有很强的实用性和效用性。也为探索电子商务信用风险的评价提供了一些新的思路。