随着移动网络和终端设备的快速发展,越来越多的人参与到网络建设着之中,随之而来的是大量的行为数据,比如网上购物之后的评价,看电影之后的影评等等。大数据时代下,通过对于这些大量的用户行为数据的分析挖掘,对于企业做出针对性的促销活动,对于政府准确的把握网络事件的发展方向以及及时做出积极引导有着十分重要的作用。文本聚类是一种重要的无监督数据挖掘方法,已经被广泛的应用于热点话题发现、事件追踪以及对文档摘要等领域。虽然现有的文本聚类已有很多相关的研究工作,但是都是针对于长文本或者短文本的研究,面对如今越来越复杂的长短文本交叉出现的网络环境中,利用传统的研究方法对混合文本集聚类,有以下问题,（1）对于长文本的向量表示方法用于短文本会产生稀疏表示,容易造成样本之间语义鸿沟,语义表示不准确,从而影响下游的聚类准确度。（2）传统研究方法通常提取局部特征信息,不具有全局性,或者相反的提取了文本主题,而忽略了局部的特征,导致文本信息表示不准确。（3）聚类算法关于簇心的初始化问题依然存在,不同的初始化结果对于聚类准确度有重要影响。（4）传统聚类算法都是对文本表示进行特征提取,然后利用聚类算法直接得出聚类结果,这样只能单方向的进行输出,不利于聚类中心随着数据分布的变化而调整。针对以上存在的问题,本文提出以下方法,可以在一定程度上缓解以上问题对于混合文本集聚类的影响。1、提出从词嵌入、语序以及语义嵌入的细粒度方面进行向量表示和从主题嵌入的全局粒度进行向量表示相结合,提高对于混合文本集的表征能力。利用自编码网络Auto Encoder中编码器部分Encoder进行特征抽取,然后利用解码器Decoder对于上述得到的特征进行重建,通过这种自监督训练的方式,训练Encoder模块,提取利于下游文本聚类的高阶特征向量。2、提出“粗”和“细”两阶段聚类方法,由于聚类算法对于初始聚类中心和簇的个数选择十分敏感,本文采用“粗”聚类初始化“细”聚类。其中“粗”聚类阶段采用Canopy算法计算簇中心和簇的个数,将聚类结果作为下一阶段“细”聚类的初始化值,然后利用K-means聚类算法对样本进行二次聚类。3、联合特征提取器Encoder和聚类结果一起微调,根据聚类的结果,反向调整特征抽取模块和聚类模块的参数,提高聚类得到的样本分布和原样本分布的一致性,从而提高聚类的准确度。在五个实验数据集上的结果显示,本文所提出的方法较好的解决了混合文本集出现的文本表征问题以及聚类过程和特征提取过程割裂的状况,从而提高了聚类的准确度。同时本文对于微博热点话题进行爬虫获取了6个热点话题的文本数据,并采用今日头条新闻数据集训练文本表示模块以及自编码网络中的特征提取器Encoder,然后利用训练好的模型对上述的热点话题进行检测。实验表明,本文提出的文本表示方法和聚类方法在话题检测上的准确率、召回率以及F1值都比对比实验有所提升。