钒作为一种贵重金属，在钢铁冶金、电子工业和国防工业等众多领域有着广泛的应用。我国目前的提钒采取的是转炉提钒的方式，但转炉提钒为人工操作模式，自动化控制水平低，产品质量波动大。随着“以信息化带动工业化”成为各个工业企业发展的核心战略任务，转炉炼钢过程的计算机应用是转炉发展的重要方向。计算机应用的一个重要方式就是建立转炉提钒过程的数学模型。数学模型能定量地描述系统运动的规律，对科学研究和指导生产都具有非常重要的意义。目前，在炼钢、炼铁的许多领域，都建立起了数学模型，在提高技术水平、稳定技术指标等方面取得了相当好的应用效果。 本论文对重庆大学自动控制研究所与某钢铁公司合作开发的“提钒过程静态模型及其控制决策计算智能研究”项目(以下简称项目)进行了深入的研究。对本项目的建模机制、模型算法、模型优化从免疫理论的角度作了新的探讨，将基于免疫的混合学习算法用于项目中径向基函数神经网络的建模，丰富了此项目的建模方法，进一步深化了对项目的理解。 在对基于免疫的混合学习算法的探讨过程中，我们对算法的免疫学背景，免疫网络的相关理论作了较详细的阐述，并从免疫系统的角度对RBF神经网络做了全新的解释，提出了RBF神经网络就是人工免疫系统的观点。对基于免疫的混合学习算法的两种子算法：通过克隆选择进行学习方法和通过内部亲和力进行学习方法，从算法原理、算法步骤和算法验证等多个方面进行了详细的阐述。并最终将其用到了我们的提钒静态模型的建模上：采用通过克隆选择进行学习的算法建立具有足够预报精度的模型，再采用通过内部亲和力进行学习这种减量算法对模型进行调整，以使模型结构最简。通过仿真实验，证明基于免疫的混合学习算法相对于传统算法有明显的优越性。