随着互联网的快速发展,文本数据的表达逐步从单一的视图维度向立体的多视图维度发展。典型的多视图文本表达包含传统的文本主题、内容视图、文本的行为视图、文本的环境视图等。多视图文本聚类旨在可联合利用多个视图的信息,改善单视图信息在文本聚类上的局限,因而逐渐受到人们的关注。但是,多视图文本表示的高维稀疏性、差异性和不一致性等特性,为多视图聚类带来了额外的困难。针对以上问题,本文分别提出了增强语义嵌入的深度多视图文本聚类模型（MDCE）和基于主题对齐的深度多视图文本聚类模型（GMC）,并在最后集成了对应的聚类分析工具。针对多视图文本表示的高维稀疏性和视图语义差异性,MDCE首先设计了文本视图的深度关联语义映射方法,将文本视图映射到低维语义表达空间,并在映射的过程中对视图进行关联语义补足,以得到高质量的文本视图的语义表达。其次,MDCE利用深度聚类方法在挖掘文本聚类结构的同时进一步优化语义映射,形成深度增强语义映射与深度多视图聚类算法的优化学习机制。本文通过在真实数据集上与多个最新的多视图聚类方法相比,对MDCE模型进行了广泛的验证。实验结果表明,MDCE模型的性能明显优于其他模型。针对多视图文本的视图结构的不一致性问题,本文还提出一种基于主题对齐的深度多视图文本聚类模型GMC,GMC模型在深度变分生成模型（VAE）的基础上引入注意力机制实现视图融合对齐,利用多视图聚类结果的一致性原则同时监督视图级和文本级的多层主题学习和聚类分配。本文分别在文本生成和文本聚类任务上对GMC模型进行了验证,实验结果表明该模型有效。最后集成了一款多视图文本聚类分析工具,并在该工具中嵌入深度多视图文本聚类算法,以填补聚类分析工具在多视图文本聚类领域的空缺,为不同用户提供个性化、多元化的服务。