O Distúrbio do Colapso das Colônias (Colony Collapse Disorder, CCD) é um fenômeno associado ao desaparecimento repentino de abelhas melíferas em colônias manejadas. Registrado nos EUA desde 2006, o CCD tem como possíveis causas desde as variações climáticas, uso incorreto de defensivos químicos até pragas e doenças. Neste sentido, soluções computacionais criativas podem contribuir para um melhor entendimento da sanidade e do bem-estar das abelhas. Neste artigo, aplicamos modelos de aprendizagem de máquina para detectar anomalias em padrões acústicos de abelhas melíferas africanizadas (Apis mellifera L.) e em padrões de temperatura e de umidade sazonais internas em colmeias com abelhas de raça europeia. Três modelos preditivos foram implementados: Modelo de Mistura de Gaussianas (GMM), Máquina de Aprendizado Extremo (ELM) e Máquina de Vetor de Suporte para uma classe (OC-SVM). Utilizamos datasets com dados de temperatura e umidade internas de duas colmeias de abelhas melíferas localizadas nas cidades de Bournemouth (Inglaterra) e Würtzburg (Alemanha) e um dataset com áudio de uma colônia melífera em Fortaleza-CE (Brasil). Para temperatura e umidade, os melhores resultados ocorreram para anomalias sazonais, nas quais o algoritmo ELM alcançou uma acurácia média de 92,6%. Para os áudios, destacamos o algoritmo GMM (acurácia média de 84,9%) na detecção de ausência da rainha.