随着信息技术的发展,以电子形式存在的文本信息已经成为人们主要的信息来源。人们迫切需要能够快速、有效地发现资源和知识的工具。近年来针对文本数据的文本聚类已逐渐成为人们研究的新课题,已经引起了人们的广泛重视。但是国内中文文本聚类的研究还处于初期阶段,还存在许多问题亟待解决。本文首先对文本聚类的研究背景和国内外的研究现状进行了介绍,并分析了数据挖掘的相关概念、主要的聚类分析算法以及支持向量机理论。其次,针对汉语自身的特点分析了中文文本聚类中所涉及到的关键问题及技术,包括中文切词技术、中文文档特征表示:向量空间模型(VSM)和特征降维的方法,并提出了广义特征降维的理念。然后,结合自组织特征映射神经网络(SOM)和支持向量机理论(SVM)给出了一种文本聚类算法—支持向量机的神经网络中文文本聚类算法(SVM-SOM),阐述了算法原理,分析了算法的收敛性并列出了算法步骤。最后,根据上述研究,本文实现了SOM和SVM-SOM算法,并在此基础上,利用现实领域中提供的语料库对聚类效果进行了测试,同时利用F值、查准率和查全率对两种算法进行了对比实验,并通过加入噪声数据测试了两者的鲁棒性。从实验结果来看后者可以提高聚类效果并具有更好的鲁棒性。