在当今大数据时代中,互联网高速发展带来了数据爆炸增长以及信息过载问题。推荐系统在提高信息搜索效率、更高效的发现用户感兴趣物品方面有重要意义。但传统推荐算法面临单类数据推荐效果差、稀疏数据及冷启动处理不完善等问题。本文借鉴了人工免疫系统的免疫识别、克隆选择、免疫变异和自适应等原理,以提高单类数据推荐效果、稀疏数据推荐效果、项目冷启动问题推荐效果为对象,论述了基于人工免疫的推荐算法。针对单类数据中只存在正样本,导致训练结果都是正性的问题。本文提出了一种基于人工免疫的单类推荐算法(OCAIS),OCAIS算法通过本文所提出的正负样本添加方法,添加与用户选择相关的正负样本,据此来有效解决数据负样本难定义的问题,然后利用人工免疫网络对各活跃度的用户进行聚类,缩减候选邻居集大小,计算用户的最近邻居集并给出推荐。实验结果表明OCAIS算法在面对单类数据时,可以取得比其他传统单类问题推荐算法更好的推荐效果。针对传统矩阵分解算法对稀疏数据进行推荐时,常忽略分解前后相似性的关系的问题。本文提出一种融合相似性关系的矩阵分解推荐算法(KNNSMF),该算法在分解过程中把用户相似性关系与矩阵分解算法相融合,明确了相似性关系与预测数据之间关系。在KNNSMF的基础上对相似性计算进行改进,结合人工免疫原理方法提出一种基于人工免疫相似性的矩阵分解算法(AISMF)。在两个真实数据集上的验证结果表明,本文所提出的算法与传统矩阵分解推荐算法相比,在稀疏数据上,能更准确地预测用户实际评分,提升推荐精度。针对传统的推荐算法往往只关注用户冷启动问题,而忽略项目冷启动问题。本文提出一种基于耦合关系的人工免疫推荐算法(CRSAIS)。该方法提出了一种基于耦合关系的项目相似度计算公式CRS,该方法对传统分类项目相似度计算方法有一定改进。同时将CRS作为调整因子融合进相似性计算公式,并结合人工免疫算法的原理方法对冷启动数据进行处理、推荐。在真实数据集上的实验结果表明本文提出的CRSAIS优于最新技术,并可以有效的解决项目冷启动问题。最后本文设计并实现了一个基于人工免疫的推荐原型系统,将本文提出的三种基于人工免疫的推荐算法集成到系统中,验证了本文提出算法的实用价值。