La clasificación de patrones es un problema central en el aprendizaje automático, con una amplia gama de aplicaciones, y los clasificadores basados en reglas son uno de los enfoques más destacados. Entre estos clasificadores, los algoritmos de Aprendizaje de Reglas Incrementales combinan las ventajas de los enfoques clásicos de Pittsburg y Michigan, mientras que, por otro lado, los clasificadores que utilizan funciones de pertenencia difusas a menudo resultan en sistemas con menos reglas y una mejor capacidad de generalización. Para descubrir un conjunto óptimo de reglas, los sistemas clasificadores de aprendizaje siempre han confiado en modelos bioinspirados, principalmente algoritmos genéticos. En este documento proponemos un algoritmo de clasificación basado en un enfoque bioinspirado eficiente, las Redes Inmunes Artificiales. El algoritmo propuesto codifica los patrones como antígenos y evoluciona un conjunto de anticuerpos, representando reglas de clasificación difusas de superficie elipsoidal, para cubrir el espacio del problema. Los mecanismos inmunes innatos de maduración de afinidad y preservación de diversidad se modifican y adaptan al contexto de clasificación, lo que resulta en un clasificador que combina las ventajas tanto del aprendizaje de reglas incrementales como de los sistemas clasificadores difusos. El algoritmo se compara con varios clasificadores basados en reglas de última generación, así como con Máquinas de Vectores de Soporte (SVM), produciendo resultados muy satisfactorios, especialmente en problemas con un gran número de atributos y clases.