随着互联网的不断发展和移动互联网的出现,电脑和移动通讯设备日益普及,微信、微博等各类应用也大量涌现,人们接触并产生了大量的短文本信息。这些文本信息虽然内容较少,但是却覆盖了政治、经济、娱乐、教育等各个领域,对这些信息进行有效分析和管理具有重要的参考和实用价值。文本聚类是对信息进行分析和管理的重要技术支撑,所谓文本聚类就是根据文档之间的相似度将文档数据集分成若干个簇或类,使同一簇或类的文档间相似度较大,不同簇或类的文档间相似度较小。其中文本聚类主要包含两个方面的内容：文本相似度计算和聚类算法。在本文中,首先对文本聚类进行了详细的描述,然后基于知网对文本相似度计算方法进行了改进,最后将根据改进方法得到的文本相似度结果应用到谱聚类算法中,同时对谱聚类算法进行了进一步改进,使最终的聚类效果更加准确。针对文本相似度计算,本文基于知网已有的文本相似度计算方法,在计算义原相似度时加入了义原节点区域密度因素；在计算词语相似度时充分考虑第一独立义原、其他独立义原和跟随义原的关系,并提出了动态词语相似度计算方法,同时动态化了各义原部分的权重分配；在计算文本相似度时根据短文本的文本特性,简化了文本相似度计算过程。同时在将根据改进的文本相似度计算方法得到的结果应用到谱聚类算法时,本文针对谱聚类的不足也提出了改进方法。为了得到更加精确的数据集相似度矩阵,本文引入数据集密度因素来构造新的相似度矩阵；针对谱聚类处理海量数据的短板,本文将数据集进行分块聚类,降低了谱聚类的计算复杂度；同时对于分块聚类导致的模糊隶属数据,本文对这些数据进行重新划分,提高了聚类准确度。本文最后对提出的改进进行了实验对比和分析,结果表明,本文针对短文本聚类两个方面的改进具有较好的效果。