作为终端区空中交通流量管理(Air Traffic Flow Management, ATFM)的核心内容之一,航班着陆调度(Aircraft Landing Scheduling, ALS)旨在为待降落的航班给出有效的着陆调度方案,保证每架航班能够安全地依次着陆。研究航班着陆调度问题对确保飞行安全及提高飞行效益具有重大的意义。先来先服务是一种最简单快速的调度方法,但在航班较密集的情况下该算法可能无法给出一个合理的调度方案。目前解决航班着陆调度问题的优化调度算法大致可以分为两大类:线性规划算法和计算智能算法。线性规划算法具有高效性和正确性,但缺乏全局搜索能力,在某些情况下很难找到最优解。而计算智能算法不仅具有强大的全局搜索能力,而且能够处理非线性的复杂约束及目标函数,因此近年来用计算智能算法解决航班着陆调度问题成为一个研究热点。然而计算智能算法容易产生大量的计算负担,特别是在较为繁忙的机场终端区,所以它需要结合有效的启发式方法才能更好的解决航班着陆调度问题。本文针对机场终端区的航班着陆调度优化问题,构建了一个航班着陆调度模型,并在该模型基础上提出了一个基于滚动时域控制和免疫克隆选择算法的优化算法(Hybrid Algorithm of Clonal Selection Algorithm and Receding Horizon Control),简称CSA-RHC算法。在CSA-RHC算法中,针对航班着陆调度问题多约束的特点,我们设计了有效的约束处理策略。该约束处理策略包括带约束处理的编码策略和基于不可行度的免疫算子的设计。带约束处理的编码策略可以将原问题的约束量级从O( n 2)降低到O ( n ),有效的减少了约束数量。在解的不可行度的基础上,我们重新设计了针对性的免疫克隆选择算法中的克隆,变异和选择算子。本文提出的约束处理策略取得了令人满意的优化结果,显示了该策略处理约束的能力。在CSA-RHC算法中,为进一步加快算法的搜索速度,我们提出了优秀基因片段传播(Excellent Gene Segment Spread, EGSS)的策略。在每一个滚动时域内,经过CSA算法优化后得到的某些基因片段包含很有价值的信息,我们可以在下一个滚动时域的种群初始化时充分利用这些有用信息。这样,优秀的基因片段可以沿整个滚动域传递下去,加快算法的搜索最优解的速度。