在网络应用服务发展的今天，信息获取已成为网民使用Internet的主要目的之一。由于传统搜索引擎存在不足及自身的局限性，限制了人们对资源的获取。现存的大多数元搜索引擎以线性列表的方式为用户返回检索结果，其规模仍相当庞大，这使得用户可能用很多时间才能找到自己需要的结果。因此，对检索结果进行聚类处理成为提高用户查找速度和快速定位所需信息的一个有效解决方案。　　 本文通过对以往文本聚类算法特别是混合聚类算法研究的基础上，从聚类结构出发，设计和改进了基于分解和合并两个阶段的混合聚类算法一改进的分解-合并聚类算法ISACA(Improved Separate-and-Amalgamate Clustering Algorithm)。分解阶段通过计算相似性矩阵的次大特征向量推导出对相似关系图的一次最优划分。计算最优切割的过程中引入了幂法的概念，使整个计算过程的复杂度大大降低。合并阶段分析T用到的几个目标函数的优缺点，通过这些目标函数找到二叉树中的最优聚类，为试验阶段提供了理论依据。之后通过该算法在元搜索引擎之上的应用实例说明了该算法的实用性。　　 在仿真实验阶段使用文本、网页和标准数据集对算法进行测试分析，并将实验结果与其他经典聚类算对比发现ISACA算法可以求出数据集的最优聚类。使用聚类算法的标准评价方法对聚类算法进行评价，得出的结果显示改进算法明显优于K-means、min-sum等传统聚类算法。