近十几年来,互联网技术的迅猛发展促使大批量的网络数据生成。每天有数以万计的信息以各种方式生成,而文本是大多数信息储存的方式之一。对于这些文本数据的处理分析是当代研究的热门话题,文本处理技术的一大分支就是文本聚类,其普遍适用于模式识别、用户推荐、数据挖掘、情感分析、话题识别等方向。考生在选取高校时,对于感兴趣的学校都存在很多疑问。本文所用实验数据是考生对于招生办提出的问题,即高考咨询文本。将聚类算法CFSFDP应用在高考咨询文本上并对其分析处理有利于发现考生所关注的热点问题,有效快速地回答考生的问题,同时减轻招生办的咨询压力。CFSFDP(Clustering by Fast Search and Find of Density Peaks)算法是2014年由Alex等人于Science上发表的一种新的基于密度的聚类算法,该算法思想简单,有着能够发现任意形状的数据集以及不需要预先指定聚类个数的优点。通过研究发现,CFSFDP算法中截断距离不能够自动获取,本文针对此问题引入了k邻近距离分析数据集的结构,获得截断距离的值。截断距离的不同将影响局部密度值的大小,最终影响整个算法的准确率。同时由于数据点的局部密度和距离不在同一个数量级下,因此对这两个属性进行归一化处理。通过在高考咨询文本中对改进的CFSFDP算法做出实验论证,证实了改进算法的有效性。为了进一步提高聚类效果,本文分析了基本CFSFDP算法中将数据点的局部密度与距离的乘积作为聚类中心的选取依据而存在的问题,提出了一种基于粒子群的CFSFDP算法。通过粒子群算法寻找CFSFDP算法中的最优局部密度阈值和距离阈值,降低局部密度及距离阈值的随机性选取对聚类准确率造成的影响。最后在高考咨询文本数据集上的实验证明,基于粒子群的CFSFDP算法的聚类结果达到与DBSCAN算法、基本的CFSFDP算法以及Agglomerative Clustering算法相当或者更好的效果,验证了算法的有效性。