“Self-NonSelf”(SNS)识别模型是传统人工免疫模型中的一个重要分支。美国免疫学教授Forrest基于SNS模型提出了否定选择算法,成功的模拟了免疫耐受的过程。然而Kim的研究表明:在实际网络环境应用中,面向大量的检测数据时,否定选择算法产生的抗体集会产生较大的缩放问题。产生缩放的原因是由于Self集合的不完全,即“不完全Self集”问题。在传统的免疫学中,Self集合往往是通过人工搜集,然而Self集却是个异常庞大的集合。这就造成了Self集合的不完全,从而影响了抗体集对NonSelf集的覆盖率。针对人工免疫中否定选择算法所面临的“不完全Self集”问题,本文设计了基于主从Self集和两次训练的人工免疫模型。新的模型由基于主从Self集的抗体生成算法(PASA)、二次训练算法(STA)和抗体微调算法(CAPASA)组成。基于主从Self集的抗体生成算法通过动态扩大“从Self集”,以扩大Self集合中的元素,使经过免疫耐受生成的抗体提高对抗原的识别能力。二次训练算法通过将生成的抗体进行再次训练,淘汰抗体集中的Self集元素,以消除抗体集的错误肯定率。抗体微调算法,通过计算抗体之间的亲和度,淘汰抗体集合中亲和度较高的元素,以实现在抗体集合数量有限的前提下,扩大抗体对抗原的覆盖率,提高抗体集合的效率。实验结果表明新模型是有效的。