文本聚类属于无监督的机器学习方法,是自然语言处理领域的一大研究热点,已成为文本信息进行有效地组织、摘要和导航的必要环节。谱聚类是目前研究比较多、应用十分广泛的一种聚类算法,谱图划分理论是建立谱聚类算法的理论基础,谱算法与k均值、EM算法等传统的聚类分析算法相比,它能够辨认非凸状空间分布的样本数据,即谱算法可以在任意形状分布的样本空间上进行聚类,且易得到全局最优解。论文详细地描述了文本聚类的关键技术、谱聚类方法的理论基础和经典的谱聚类算法等内容,在深入研究谱聚类算法相关的国内外文献的基础上,以构造相似矩阵为切入点对传统的谱聚类算法提出改进方法。传统谱聚类算法在构造相似矩阵时大多使用基于距离度量文本间相似性,论文分析了这种方法存在缺陷,探究了基于K近邻的相似性度量方法,并将其引入谱聚类算法中,提出KNNSC算法。另外,针对传统谱聚类算法对输入数据顺序敏感的问题,论文提出利用粒子群优化算法执行谱聚类算法最后的k-means聚类步骤,将粒子群优化算法引入KNNSC算法中,提出PSO-KNNSC算法。论文的实验部分首先完成了语料库的选择、文本的预处理、文本特征选择、构建文本向量空间表示模型等操作,然后分别利用k-means算法、KNNSC算法和PSO-KNNSC算法做了多次文本聚类实验,实验结果表明,改进的算法是有效的且能得到较好的聚类效果。