近几年来,随着网络技术和数据库技术的迅速发展和普及,人们可以快速、方便地获取和存储大量数据。在这些数据中,百分之八十的数据都是以文本方式存在的。目前,怎样从大规模文本数据中准确、快速地获取有用的信息已成为一个急待解决的问题。在此背景下,数据挖掘技术应运而生,文本聚类技术作为数据挖掘技术的重要分支之一,已成为近几年来的研究热点。由于文本数据是非结构化的,所以在对文本数据进行聚类之前,文本数据要通过分词、停用词处理、特征选择、权重计算和数学模型表示等一系列预处理技术转换成结构化的形式。本文主要对传统的自组织特征映射神经网络(SOFM)算法应用在文本聚类中给出两点改进,使其更加适合于大规模文本数据。一是由于传统的SOFM算法的随机选取网络初始连接权值可能会导致训练的结果聚为一类,针对这一缺陷,给出了基于初始连接权值改进的SOFM文本聚类算法。根据给出的选取初始连接权值的方法可以让初始连接权值很接近文本数据的输入模式,以此提高聚类结果的精度同时加速聚类收敛;二是针对由向量空间模型表示的文本数据的高维性带来的数据稀疏性和维数灾难问题,给出了基于主成分分析(PCA)方法的SOFM文本聚类算法。相对于特征选择方法,该算法在降维方面主要考虑其能够保留适量的有用的特征词语,不会丢失重要信息。通过仿真实验对比,该算法能够进一步提高算法的聚类准确率而且加快了聚类速度。