文本信息目前作为人们最大信息来源之一,在现实社会中担负着传播知识的作用。但是由于文本信息具有易复制性,导致很多人为了自己的利益,将他人撰写的文本进行修改后放到网上以获得利益,这种情况造成了不少粗制滥造的文本出现,因此许多文本查重网站和系统应运而生。该类系统在实际使用中,经常会因为收录数据量大、文本数据不分类或分类情况较差等问题,导致实际查重结果中出现与查重系统收录内容毫不相关却又被查重系统认为抄袭的文本。针对以上问题中出现的大数据文本下分类不佳的情况,本文通过多视图聚类算法,结合改进的TF-IDF算法和LDA算法,提出了一种改进的视图约束无监督多视图聚类方法(Unsupervised Co-training,即UCo-training)。该方法在基于文本词汇、词义等多特征视图的基础上,通过改进的TF-IDF-WF算法、LDA算法,实现了对文本词汇特征、词义特征矩阵的提取,并采用无监督聚类的形式让两个视图互相学习、获得更高精度的聚类结果。相比其他已有的方法,该方法通过谱聚类算法,对特征向量进行降维,保留最有效的特征值用于生成保留了视图信息最丰富的特征向量,并通过聚类的方式获得最优的聚类结果。为了评估本文所提出的文本聚类方法,选取了传统的LDA算法、改进的TF-IDF-WF算法和多视图聚类算法Mv NMF、SM2SC作为实验对照组。在中文维基、复旦大学语料库等组成的综合数据库下进行实验和对比。由实验结果数据分析可得,本文方法在聚类结果上NMI值最高可达95.3%,相比于传统单视图聚类方式结果最优的LDA方法,本文的NMI值提高了约10%,相比于多视图聚类算法中结果最优的SM2SC方法提升了6%,证明了本文方法能够较好的完成聚类任务。此外,基于本文提出的理论,设计并实现了一个多视图聚类文本查重系统。根据本文算法的核心思想,系统被分为三个主要阶段,分别为特征向量组的提取、文本聚类和文本相似度计算。经由实验证明,该系统能较为有效、精准地完成文本聚类和相似度计算的任务。最后,针对本文算法中存在的不足之处,展望了对算法改进聚类精度和效率的可行方案,探讨了从特征向量提取算法的改进,到阈值的最优值的获取、在大数据平台上的使用和神经网络算法作为底层算法的可能性,进一步丰富了本文算法的在未来的研究方向,为本文作者和其他研究人员提供了部分研究思路。