随着互联网技术的飞速进步,全球信息时代得以快速发展,各种新闻数据急剧增加,其中隐含着大量信息和资源;同时很多发展中国家的网络用户快速增长,使得互联网上各种语言的文本数据持续增加。在这种全球化形式下,仅仅获取本国的新闻信息已远远不能满足一个国家或一个大型企业机构在国际地位的需要。跨语言文本的信息组织是一个不可忽视的问题,而单语文本聚类方法几乎不能满足实际需求,因而双语或者跨语言的文本聚类成为了人们研究的热点。目前对于双语混合文本聚类研究有很多是基于翻译系统或者词典进行,这不能快速而有效地从双语混合文本中提取到关键信息。本文通过对传统潜在语义分析和主题生成模型的研究,将其理论应用于双语文本聚类中,提出了潜在语义对偶空间和双语主题生成模型,这两种方法模型不需要通过翻译工具或词典便可进行双语混合文本聚类。其中,本文根据文本语义的语言无关性,基于典型相关分析CCA从平行语料中提取了双语文档的潜在语义对,形成潜在语义对偶空间。对待聚类的双语文本文档通过潜在语义对偶空间进行映射,得到具有相同概念的潜在语义,进而通过聚类算法进行双语文本聚类分析。同时,本文利用传统的主题生成模型,分析了相同主题可由不同语言描述的特点,进而提出一种双语主题生成模型。通过双语主题模型训练平行语料得到文档的主题分布和每个主题中所有词的分布,然后对待聚类的双语文本通过吉布斯采样估计得到双语混合文本的主题概率分布,基于此可利用双语文本在共同主题的概率分布下进行双语文本聚类实验。另外,本文基于融合模型的思想,受Bagging和Boosting算法启发,提出两种模型融合的方式,包括模型拼接和模型结合。这样能够更加充分地利用文本的潜在语义和主题信息,从而更好地实现双语文档聚类。最终,在双语文本聚类实验中,本文提出的方法得到了较好的效果。其中模型融合中模型拼接方法在RT和HK两个数据集上F1值分别达到了0.546和0.478,取得了较好的聚类质量。由此可见本文中方法在聚类双语混合文本研究中能够充分利用文本中语义和主题信息,得到较好的聚类效果。模型拼接的思想虽然简单,但增加了计算复杂度,因此希望能够通过更深入的研究,改善相关问题,得到更加优秀的结果。