La predicción de terremotos (EQP) es una tarea extremadamente difícil, que ha sido superada adoptando diversas tecnologías, sin ninguna transformación adicional hasta ahora. El algoritmo de selección negativa (NSA) es un método de inteligencia artificial basado en el sistema inmunológico biológico. Se utiliza ampliamente en la detección de anomalías debido a sus ventajas de requerir poca información normal para detectar anomalías, incluida la predicción de EQP basada en eventos sísmicos históricos. Sin embargo, el NSA puede sufrir el efecto no deseado de deriva de datos, lo que resulta en patrones normales desactualizados aprendidos de los datos. Para abordar este problema, los cambios en los datos deben ser detectados y procesados, estimulando estrategias de adaptación algorítmica rápida. Este estudio propone un método de aprendizaje adaptativo basado en el algoritmo de células dendríticas (DCA) para la detección de deriva y el algoritmo de selección negativa (DC-NSA) que se adapta dinámicamente a nuevos datos de entrada. Primero, este estudio adopta la ley de Gutenberg-Richter (GR) y otras leyes de distribución de terremotos para preprocesar los datos de entrada. Luego, se emplea el NSA para EQP, y después, se emplea el algoritmo de células dendríticas (DCA) para detectar cambios que desencadenen estrategias de descenso de gradiente y actualizar el autoconjunto en el NSA. Finalmente, el enfoque propuesto se implementa para predecir los terremotos de MW > 5 en Sichuan y sus alrededores durante el próximo mes. Los resultados experimentales demuestran que nuestro DC-NSA propuesto es superior a los enfoques de EQP existentes más avanzados.