随着上世纪90年代初信息化社会的到来,网络已经变得越来越普及,它已经成为了人们获取各类数据的有效手段和方法。那么如何从海量的文本数据中找到人们所需的信息就成为了亟待解决的问题。文本挖掘研究由此应运而生。文本聚类是文本挖掘领域中一个重要分支,研究它有着重要而深远的意义。本文先是通过结合了改进的人工免疫算法去解决K-Means算法初始聚类中心敏感的问题,使得其聚类中心更加的合理以便得到更优的聚类结果。这是第一个阶段,目的是得到优化的初始聚类中心。第二阶段利用了De Castro于2002年提出的aiNet网络模型对已经具有相对优化的中心的Web文本进行聚类。本文首先阐述了Web文本聚类的国内外研究现状和现存的问题,然后介绍了文本聚类的相关过程,从预处理,文本模型表示,到常用的聚类算法,并对这些聚类算法的优缺点进行了评析。文中分析了传统人工免疫算法存在的问题,提出最佳策略对三个人工免疫遗传算子进行改造来加快算法的收敛速度,保证后代的最优性。最后改进了用于聚类的aiNet网络模型中亲和度的计算方法,对变异过程进行了部分控制,克服了其用于度量高维文本聚类相似度不精准的缺点。实验结果表明,本文中改进的算法有较好的动态适应性,并且改善了聚类的质量。