近年来，随着计算机技术、网络技术的飞速发展，对数据和信息以电子格式存储发生了急剧地增长，这些数据毫无疑问是有价值的资源。然而随着信息量的不断扩大和对识别精度要求的逐步提高，优化特征选择的技术显得至关重要。一种高效的特征选择算法不但能为分类、决策提供有力的保障，还能减少任务所需的开销。要想分析海量的粗数据，挖掘出隐藏在数据中对我们有用的知识，就需要利用数据挖掘技术。而受生物免疫系统启发，其具有较强的特征抽取、学习、快速进化和记忆等特性，正是人们在数据挖掘时所需学习和借鉴的。本文首先介绍了基于免疫计算的特征选择算法的研究背景，对人工免疫系统算法及其应用研究进行了概要的叙述，以及介绍了目前常用的一些特征选择的方法。针对信息资源表示模型、特征选择算法和属性降维等与分类有关的关键技术进行了描述，在此展开了基于免疫计算的特征选择算法及其应用研究。在对人工免疫系统的生物学原理——自然生物免疫系统机理的简单介绍下，对人工免疫系统相关算法进行了介绍，重点介绍人工免疫系统借鉴自然免疫系统所具有的特点，并已成功应用在多个领域中。本文提出了基于免疫计算的特征选择算法，在标准数据集上进行特征选择实验然后结合k近邻（k nearest neighboring,KNN）算法构造分类器，与传统KNN分类器和其它学者提出的免疫分类器分类效果进行对比，目的是研究基于免疫计算的特征选择算法的性能，然后将其应用在辅助医疗诊断系统中。重点研究了基于免疫计算的特征选择算法在医疗辅助诊断中如何应用及其成效。实验结果表明，人工免疫算法可以用于分类中的特征选择问题。基于免疫计算的特征选择算法并不穷举每个特征组合，避免事先确定特征数量，它是根据亲和度评估函数具有一定智能的随机搜索策略选择一组有效的特征组合。在参数设置较佳的情况下，对标准数据集的测试体现出了较强的特征抽取能力，获得了属性降维度以及具备生物免疫系统自学习等特性。算法结合KNN规则对标准数据集的分类准确率相比模糊C均值算法，多值免疫算法，基于分类问题的克隆选择算法和人工免疫网络分类算法都有所提高。在辅助医疗诊断系统中，疾病分类准确率能达到97%，为专家诊断病人提供了有力的分析工具。