计算机视觉领域，多结构模型参数的提取是一个常见任务。传统的提取算法一般先对输入数据集进行分类，然后通过对相关数据类的拟合获得对模型集参数的估计。然而，由于模型集未知，对如何实现数据集的准确划分一直是一个难点。针对这个问题，借鉴免疫系统识别抗原产生抗体的工作机理，提出了一种启发式的鲁棒回归分析方法。该方法将数据集的分类过程设计成一个逐步精确化的逼近过程：先通过随机抽样模型对数据集进行粗略划分，然后利用单模型鲁棒回归方法对各数据类中的优势数据进行尝试建模，以获得更好的模型估计。接着以此模型为基础重新对数据集进行划分，以提高分类的准确性。通过这种“分类”、“提纯”、“再分类”、“再提纯”的反复尝试，逐步逼近准确的数据类划分，同时得到模型集的准确解。仿真结果表明，该方法计算时间少，数据分类准确率高，具有较强的多结构模型参数提取能力。
