遥感图像变化检测是通过对同一地区不同时期的两幅或多幅遥感图像的比较分析，以及图像之间的差异得到所需的地物变化信息。模糊C均值聚类算法(FCM,fuzzyc-means)是一种不需要任何先验信息的无监督分类，在遥感图像变化检测中被广泛应用。由于FCM算法具有对初始值敏感、容易陷入局部最优等缺点，而人工蜂群算法(ABC,artificialbeecolony)具有全局收敛性，且计算简洁、易于实现。因此，本文利用人工蜂群算法的全局寻优能力来代替模糊聚类算法的聚类中心迭代过程，从而提高模糊聚类算法的精确度，并将新算法利用到遥感图像的变化检测中，本文主要的工作和内容如下：(1)得到效果较好的差异图像是变化检测的关键，为了克服传统方法得到差异图利用图像信息单一的缺点，本文针对不同的遥感图像分别选用了图像对数比、像素差值与比值相融合的方法得到差异图像，仿真实验表明，新方法不仅对噪声的抵抗能力强，而且简单直观。(2)FCM算法仅适用于球面几何结构聚类且对初始值敏感，GKC(Gustafson-Kessel clustering)算法采用自适应距离范数能够自动适应聚类的形状，文中将这两种模糊聚类算法运用到合成孔径雷达(SRA)图像变化检测中，仿真实验结果比较表明，GKC算法分类较准确，效果更好。(3)将FCM算法与ABC算法相结合，利用ABC算法代替模糊聚类算法中聚类中心的迭代寻优过程，给出了基于人工蜂群优化模糊聚类的新算法(ABC-FCM)。仿真实验结果表明，新算法比传统的模糊聚类算法得到的结果图分类准确、效果更好。