随着信息技术的发展,互联网中涌现出了海量的文本数据,如何从这些文本数据中挖掘有价值的主题信息是文本挖掘领域中重要的研究内容。该领域中的文本聚类算法因其自动化处理能力较高,常被用来发现大数据中的热点主题以及事件。传统的文本聚类大多面向单个来源的文本集,但随着文本信息平台的增多,仅对单源文本集进行主题聚类分析已不满足时代的需求,文本聚类开始重视对多源文本集的主题聚类分析。多源文本数据集的结构复杂,根据不同源的主题信息差异,本文将其总结为异源异构性、异源差异性以及异源相似性。传统的聚类方法无法直接应用于多源文本数据集,是因为这些复杂结构使得用户在聚类前难以设定一个较为准确的主题个数,也会在聚类过程中带来主题混淆问题。因此,如何解决由复杂结构带来的这些问题是一个研究难点。另外,多源文本数据集中包含了大量短文本,如何解决特征稀疏问题也是一个研究难点。针对复杂文本结构带来的问题,本文在狄利克雷多项式分配模型（DMA）的基础上提出了层次狄利克雷多项式分配主题聚类模型（HDMA）。一方面,HDMA模型结合DMA的优点,降低了对预先设定的主题个数的依赖,能在聚类过程中自动估算每个数据源中的主题个数。另一方面,HDMA模型为每个来源的主题信息提供了独立的参数空间,可以防止不同来源的主题信息互相干扰带来的主题混淆问题。实验证明,HDMA模型对多源文本数据集有良好的聚类效果。针对特征稀疏的问题,本文在HDMA模型的基础上,提出了一种具有潜在特征的层次狄利克雷多项式分配主题聚类模型（LFHDMA）。该模型添加了关于语义的潜在特征矩阵,借助由大规模语料库训练的单词向量为文本集提供了额外的语义信息,降低了特征稀疏对聚类的影响。实验表明,LFHDMA模型进一步提升了对多源文本数据集的聚类效果。