传染病模型一直是研究传染病扩散过程的核心,最早的基于现代数学模型的传染病数学模型,也即经典的仓室模型,在1927年由Kermack和Mc Kendrick提出。在信息科学日益发展的今天,得益于爆发式增长的数据量,传染病建模的研究得到了进一步的发展。传统的仓室模型由于采用均匀混合理论,完全忽视了群体中个体之间的交互模式,不能结合人类移动性描述真实的传染病扩散过程。目前,基于复杂网络的传染病模型由于充分关注个体之间的复杂交互模式,受到了学者们的广泛关注。基于复杂网络的传染病模型计算结果较为精确,但是实现过程较为复杂,想要在大尺度空间上对传染病过程进行建模,复杂网络模型并不适合。本文在优化人类移动性模型的基础上提出了一种集合种群传染病动力学的建模方法。首先,在大尺度空间上将目标种群划分为子种群;其次,在描述人类移动性时,相对于传统的一阶马尔可夫模型引入记忆性,提出一种自适应记忆移动性模型,从而优化子种群之间的移动性建模;再次,结合SEIR传染病模型构建集合种群传染病动力学模型,研究目标种群中传染病的扩散过程;最后,基于Python仿真平台对提出的动力学模型进行实现,并结合当前的新冠病毒(COVID-19)在中国国内主要省市的传播数据进行分析验证。实验结果表明:本文通过实验模拟了对于此次新冠病毒在我国的传播过程,验证了集合种群传染病动力学模型具有较高的有效性和准确性。除此以外,验证了相比于一阶移动性模型,自适应记忆模型在描述人类移动模式方面具有更高的精度:(1)在疫情爆发的规模以及对疫情发展趋势的预测上,使用自适应记忆模型的传染病动力学模型更加贴近实际统计数据,主要体现在感染人数的峰值以及峰值出现的时间点的统计上。(2)在对全国不同行政区分级分析时,使用自适应记忆模型的传染病动力学模型的实验结果都更加贴近实际统计数据,体现了优化的传染病动力学模型结论的普适性。