文本聚类是数据挖掘领域的一个重要分支。随着互联网的飞速发展,文本形式的信息不断增多。文本聚类技术已成为对文本信息进行有效地组织、摘要和导航的重要手段,被越来越多的研究人员所关注。由于文本聚类对象的特殊性,文本数据的非结构化,使得文本具有高维性和稀疏性的特点。基于向量空间模型的文本相似性度量方法把文本看作是由一个个独立的词语组成,忽略了文本的语义信息和结构信息,使得该方法不能非常准确地计算文本之间的相似度。传统的聚类算法在面对这种特殊的聚类对象时,或多或少都存在一些不足,使得文本聚类的结果不太令人满意。针对以上问题,首先,本文将分词过后的文本通过停用词过滤、词频-逆文档频率法来选择特征项,以达到降维的目的。然后根据特征项找出文本的主题句,并计算每个句子的权重,把文本表示成主题句矢量模型。最后根据知网具有的语义关系来计算文本之间的相似性。在文本聚类算法的研究中,本文提出了一种确定聚类数目和初始聚类中心的算法。该算法主要是针对k中心点算法的缺点,根据经验规则和相似相异度函数来确定最优聚类数,通过凝聚层次聚类算法来确定初始聚类对象。论文设计并实现了一个中文文本聚类系统,并通过系统对真实语料库进行了聚类实验。实验结果表明,本文所提出的方法具有可行性和有效性。