随着互联网相关技术的高速发展,数据量以指数级增长。如何从这些海量数据中获得有社会价值和商业价值的信息成为当前急需解决的问题之一。聚类分析是指在无先验知识的情况下,利用合适的聚类算法将数据划分为若干聚簇,发现其中的未知特征和知识。模糊聚类算法对模式间关系的描述更符合现实,因此成为当前一个重要的研究焦点之一。常用的模糊C均值(FCM)聚类算法是一种基于目标函数的算法,它把聚类问题描述成为一个带约束的数学函数优化问题,通过求解数学问题获得数据对象的模糊划分。FCM算法具有模型简单、易编程实现、复杂度低、聚类效果好等优点,并且成功应用到机器视觉、图像处理等领域。然而聚类结果过度依赖于初始聚类中心,而且容易陷入局部极小值。人工蜂群优化算法源于对自然界中蜜蜂群体的觅食过程的模拟,具有并行性、所需参数少、鲁棒性强等优点。针对人工蜂群算法存在的过早收敛、求解精度低以及后期收敛慢等缺点,提出了基于改进搜索策略和混沌机制的人工蜂群(ABC-SC)算法。在此算法中,利用历史平均最优解对搜索方向进行正向引导,平衡算法的探索和搜索能力；若进化出现停滞,采用混沌机制对个体的若干维进行变异,保持群体多样性。用ABC-SC算法对六个基准函数进行优化实验,结果分析证实,ABC-SC算法比基本ABC算法以及其他改进ABC算法求得的解更接近最优值、求解速度更快。针对模糊聚类存在的问题,对目标函数、隶属度和聚类中心三者中的模糊参数进行调整,避免出现陷入局部值现象；利用ABC-SC算法对初始聚类中心进行优化,将ABC-SC算法的输出结果作为FCM算法的初始聚类中心进行聚类,克服了其对初值敏感的缺点。通过对UCI和人工数据集进行聚类实验,结果表明此算法不仅克服了FCM算法的缺陷,而且聚类准确度更高,算法性能更优。