文本聚类是文本数据挖掘的重要技术,它是一种非监督学习,可以由计算机自动进行,不需要人工干预。文本聚类通过比较文本的相似性,能发现文本的内在特征及分布规律,从而获得对文本数据更深刻的理解与认识。本文以中文Web文本作为文本聚类的挖掘对象,并对中文Web文本聚类的全过程进行了研究。文中分析研究了中文Web文本聚类各个处理阶段,其中包括:中文Web文本预处理、文本聚类、性能评价。在文本预处理阶段的研究中,本文针对文本聚类的特点,提出了一种基于遗传算法的特征选取方法。该方法可以在无先验知识的情况下对特征向量降维,达到降低聚类复杂度,并保持聚类精度的效果。在文本聚类算法的研究中,本文提出一种带孤立点检测的改进K-means算法。在该算法中,对文本数据集先进行孤立点检测提取,然后执行聚类,排除了孤立点对聚类的影响。并且在聚类过程中改进了传统的初始聚类中心选取方法,采用基于最远距离的初始聚类中心选取方法,一定程度上避免聚类陷入局部最优。实验证明该算法有很好的适应性,在一些方面优于原来的算法。最后,本文设计并实现了一个中文Web文本聚类模型,模型采用模块化设计,实现了中文Web文本聚类的全过程。