大数据时代中的网络平台产生了样本量巨大反映情感信息的短文本,获取和理解短文本中所蕴涵的信息是非常有意义的。但由于文本数据的结构特征和短文本包含词量较低,使得网络短文本聚类面临以下主要问题:1.基于单词向量空间模型获取的词向量维度等于文本数据词表的长度,使得词向量维度过高而带来的短文本的高维问题;2.网络短文本中包含的关键词的频数较小,关键词的词频和关键词之间的共现频率等语义信息不能得到充分挖掘导致的短文本的信息特征稀疏性问题;3.网络短文本表述简洁,存在大量不规范用语,在歧义性问题的基础上还存在不规范性问题,导致传统的文本预处理和文本表示方法不能准确的表征网络短文本的语义信息而带来的语境依赖性问题。同时,文本聚类任务本身还存在聚类簇的数目难于确定、文本数据中的聚类簇无法自动识别和文本聚类结果中簇的语义信息难于解释的问题。为此,本研究针对网络短文本性质所带来的问题,提出不同的文档向量生成模型。首先通过引入主题模型,解决网络短文本的高维问题。并在针对短文本的狄利克雷多项式混合模型的基础上,研究基于Gibbs抽样和变分推断的主题潜变量的后验分布求解方法。为了进一步解决网络短文本的信息特征稀疏性问题和语境依赖性问题,引入动态词向量预训练模型。对于通过预训练模型得到的深度文档向量,首先通过白化预处理转换为符合正态分布的文档向量。并与通过主题模型得到的主题文档向量进行拼接,利用变分自编码器生成符合正态分布的文档向量,实现短文本文档向量的构建。对于文本聚类问题,首先利用一致的流形逼近和投影UMAP实现高维词向量的降维,然后使用HDBSCAN对降维后的文档向量进行聚类,最后使用改进后的TF-DIF方法从聚类簇中提取文档的主题。针对文本分类任务,使用基于主题模型和词移距离的分层主题Wasserstein距离来计算文档之间的距离,并结合KNN分类算法进行文本分类。最后分别通过数值模拟、实验验证和实例分析来证明文章提出的短文本的文档向量生成方法和相应的文本聚类模型和文本分类模型是有效的。