聚类是数据挖掘领域中的研究热点。随着Internet的发展,人们面对的信息与日膨胀,有效的组织无序的信息,生成结构化组织形式,使用户能够轻松的找到自己需要的信息成为聚类发展的无限动力。将文本聚类,自动组织文本需要经过文本预处理,聚类,然后根据需要对聚类结果给出评价。涉及到的关键技术有空间向量模型(VSM),聚类分析算法,聚类结果评价方法等。目前大多数文本聚类的研究仅给出一种聚类算法及其改进算法在文本数据上的性能比较和分析。没有一份在同一数据平台上各种不同聚类算法的对比分析报告,没有详细的关于基于不同思想的聚类分析算法的优缺点的说明。本文详细的分析和比较了基于划分的方法、层次聚类方法、基于密度的聚类方法在同一数据集上的性能,说明了不同聚类算法适合的数据分布,弥补了这一空白。对于大部分聚类算法并不适合大规模的数据集,有些算法在大规模数据集上甚至不能运行,如凝聚层次聚类。而Internet的发展给文本聚类带来大规模的挑战。本文最后提出了一种可以用于大规模数据的文本聚类算法。算法在没有降低性能的基础上大大提高了算法的效率。文本聚类算法在许多任务中有广泛的应用,如词义归纳。词义归纳就是自动地发现给定歧义词的词义集合。本文的最后,详细说明了文本聚类算法在词义归纳任务中的应用。