在互联网中,以新闻为代表的文本信息正在高速增长,如何实施有效的文本聚类算法是数据挖掘领域的研究热点。模糊聚类建立了样本对类别的不确定描述,能更客观地反应现实世界,从而成为聚类分析的主流。模糊C均值算法是基于目标函数的模糊聚类理论中应用最为广泛的一种算法。但是,模糊C均值算法本身也存在一些缺陷,比如聚类个数需要事先给定,算法对初始聚类中心敏感等。针对模糊C均值算法存在的问题,主要完成以下三方面的研发工作：1)提出了毗邻群的概念,可以根据需要有效地降低数据的规模。2)引入了聚类有效性评价模型作为评判聚类划分的综合指标,同时用遗传算法优化聚类中心,通过迭代可以确定模糊C均值算法所需的初始C值和最佳的初始聚类中心。3)将毗邻群和粘合度概念及其算法用于修正模糊C均值算法的隶属函数矩阵,加快了模糊C均值算法的收敛速度。本文基于提出的改进型模糊C均值算法,设计和实现了一个中文文本聚类系统,并选取搜狗实验室的文本分类语料库进行了对比实验。实验结果表明,本文提出的改进算法在中文文本聚类中表现出了明显的优势。