在现实世界中,文本是信息最重要的载体,事实上,研究表明信息有80%包含在文本文档中。特别是在互联网上,文本数据广泛地存在于各种形式,如新闻报道、电子图书、研究论文、数字图书馆、网页、电子邮件等等。人们迫切需要能够从中快速、有效地发现资源和知识的工具。近年来针对文本数据的文本挖掘已逐渐成为人们研究的新课题。其中,对于文本聚类的研究己经引起了广泛的重视,并取得了良好的成果。本文首先对文本挖掘和聚类分析做了深入的理论研究,回顾了文本挖掘的国内外研究现状及其跟相近领域的关系;以数学的形式表示和讨论了聚类分析中数据的类型、距离、相似系数等基本概念;分析了五种常用的聚类算法,并对各种算法的性能做了分析与比较。本文随后对文本预处理过程和方法做了研究,讨论了将无结构的文本数据转化为聚类算法可以处理的结构化数据的方法。预处理的质量直接影响到了最终的挖掘结果,我们结合文本挖掘的特点对文本预处理过程做了详细的介绍。最后,本文阐述一种主题发现系统。它能发现新数据流中的隐含知识,并将其表述为含有主题/副主题的层次树。每个主题包含与其相关的文档集和文档摘要,以便于用户从生成的层次树中浏览和选择所需主题。我们提出一种增量层次聚类算法,它结合划分聚类和凝聚聚类的主要优点。另外,我们还利用一种基于模式识别中的测试理论的方法为每一层标题提供摘要。实验结果表明,无论是作为主题检测系统还是分类和概括工具,本算法都是高效的。