互联网的飞速发展,导致社会产生了海量的数据信息,文本作为这些数据信息的主要载体,在互联网信息流中占据越来越突出的地位。怎样才能高效快速地获取目标所需的信息,将无序的海量文本数据按需组织,这是一个亟待解决的问题。文本聚类作为一种有效提取、分类、挖掘文本信息的方法,在数据信息大爆炸时代具有重要的应用价值。空间向量模型由于其简单、高效被广泛应用于文本聚类研究中,但是用空间向量模型表示文本时存在高维稀疏问题,同时忽略了文本之间的语义相关性,导致文本聚类结果精度偏低。针对这些问题,本文对基于同义词词林语义相似度的文本聚类算法进行了相关的研究,主要工作内容如下:(1)针对空间向量模型表示文本存在维度高、稀疏的问题,本文准确提取文本中的关键词,按照规则剔除停用词以及其它对文本内容无影响的关键词,组成特征项,并计算权值,通过权值进行特征抽取,从而达到降低文本表示维度的目的。结合词语间语义相似度,构造文本语义相似度加权因子,将文本转化成结构化模型。(2)针对文本聚类算法中忽略了特征项之间的语义信息的问题,提出了一种词语间基于语义相似度的计算方法。根据《同义词词林扩展版》结构特点,计算特征词项之间的语义相似度,并以此作为聚类的度量标准,解决了文本相似度计算时由同义词、近义词引起的语义问题。(3)以K-means聚类算法为基础,结合提出的词语语义相似度计算方法,优化在基于同义词词林计算文本相似度过程中满足条件时的阈值,调整文本聚类算法判别条件,提出了一种基于同义词词林语义相似度的文本聚类算法。通过与其它文本聚类算法进行分析比较,验证了本文提出的聚类算法能挖掘文本语义信息,提高文本聚类的准确度。