模式识别是一门与统计学、心理学、语言学、计算机科学、生物学、控制论、人工智能、图像处理等相互交叉的学科，广泛应用于故障诊断、文字识别、语音识别、遥感、医学诊断、数字水印等领域。传统的模式识别方法主要有决策理论方法、句法方法，统计理论，人工神经网络，遗传算法等。目前，模式识别领域还未提出一种通用的模式识别方法。我们必须针对具体识别任务，结合模式识别模型，设计出具体算法。 由于人工免疫系统先天具有噪声忍耐、无教师学习、自组织、分布式无中心处理以及记忆、进化学习等优势。本文在阅读大量相关资料的基础上，结合人工免疫系统，系统深入地研究了这种新的模式识别方法，即人工免疫识别法，包括基于群体的人工免疫识别法、基于网络的人工免疫识别法，同时通过实验验证这种新的模式识别方法的有效性。针对模式识别具有实时性的要求，提出了优化算法的有效途径。 总的来说，本文主要研究的内容包括： 1.首先深入分析比较了现有模式识别方法。总结了现有模式识别方法的识别框架，指出一些现有模式识别方法存在的一些缺陷。 2.接着分析了免疫算法的仿生机制，总结了基于群体免疫算法、基于网络免疫算法，针对目标识别中处理数据量大的现状，根据生物免疫系统具有分布式、克隆及高频变异特性，对算法进行了优化改进。 3.最后针对现有模式识别中遇到的问题以及现有技术的不足，提出了利用免疫算法解决模式识别中存在的这些不足。本文先后采用基于群体的克隆选择算法进行数字识别，取得良好的效果；接着利用人工免疫网络理论来建立无监督模式识别模型，在无对象模型和先验知识的情况下，根据现有数据本身来构建识别对象的规则模型，建立了模式识别的基本网络模型，并对模型的识别能力进行评估。