聚类算法是要在众多事物的集合中将事物聚集成不同的类，使同类的事物具有尽可能多的相似性，而不同类的事物尽可能不同，聚集的依据标准是事物之间的一些潜在的、隐藏的属性。高维度数据聚类是聚类领域的新问题、新热点。子空间聚类的出现，为有效处理大规模、高维度数据的聚类问题提供了一种新的方法。随着子空间聚类问题研究的深入，子空间聚类产生了很多的新算法、新思想，本文研究子空间聚类的一种新算法——软子空间聚类算法。人工蜂群算法是根据蜜蜂群体智能行为进行仿真定义的优化算法。人工蜂群算法采用全局优化的方法寻找全局最优解。人工蜂群算法可以达到快速收敛的效果，并且可以在很多的领域应用。本文结合蜂群优化算法和软子空间聚类算法的思想，提出了基于人工蜂群算法的软子空间聚类算法。为了进一步提升软子空间聚类算法的性能，本文改进了算法的目标函数以及搜索解空间时采用的策略，提出了一种新的软子空间聚类算法——基于人工蜂群算法的软子空间聚类算法ABCSC。算法引入了一种加权的类间离散度矩阵，同经典的模糊加权类内相似性一起组成新的目标函数；在搜索策略方面，新算法引入人工蜂群算法全局寻优的特性。经实验验证，采用了新的目标函数并引入人工蜂群算法的软子空间聚类在高维数据的处理上表现出了较好的应用效果。对算法的测试，是在UCI标准数据集上进行的，计算并比较了准确率和RI(RandIndex)、NMI(Normalized Mutual Information)等常用度量值。通过对实验结果数据的分析，评估了新算法的性能，并对新算法的不足及未来改进的方向进行了说明及展望。