随着信息技术及互联网的发展,人类所面对的网络信息迅速膨胀,因此如何从杂乱无章的海量文本信息中快速刷选出目标信息,一直是自然语言处理领域的研究热点。同时文本聚类是最基础的自然语言处理技术,目前文本聚类的困难主要在于两点：第一,如何提高聚类质量；第二,如何描述聚类结果。本文综合思考了以上两点,提出了基于LDA主题模型的文本聚类方法。本文主要工作包括以下三个方面：第一,详细分析对比了国内外文本聚类领域的关键技术,如文本建模、特征提取、文本聚类方法、统计主题模型及聚簇主题识别方法等,并分别总结了各关键技术的优缺点及目前的研究进展。第二,将LDA主题模型引入文本聚类领域,从统计学角度利用生成的文本-潜在主题模型结合传统的TF IDF词空间,将潜在主题特征知识融入词空间,深层挖掘出文本内部语义知识,提高文本聚类质量。第三,利用LDA生成的潜在主题-特征词模型及特征词集,结合文本概率分布情况,提出了一种基于LDA模型的聚簇主题识别方法,加强聚类结果的可视化及易理解性。中英文语料上的实验结果对比分析显示,本文方法优于传统的词空间聚类算法,聚类质量均提高了4%到10%不等,且结果聚簇的主题识别较为准确,从而验证了基于LDA模型的文本聚类方法是合理有效的。