随着当今社会科技水平的不断发展,人们对于购物的欲望越来越强,并且购物也呈现越来越多元化的趋势,在这样的市场环境下,线上购物的发展速度越来越快,而线上购物的迅速发展极力推动了物流的发展,同时希望获得更好的购物体验的愿景也导致人们对于物流服务的要求越来越高,各大物流公司都希望能够实现新技术和新设备的更新换代,提供更好的物流服务。在这种背景下除了需要物流硬件设备的突破创新。在学术方面,物流理论技术的发展同样重要,订单聚类、订单分拣等新的理论研究的突破,也能为物流效率带来提升,本文研究的订单文本聚类技术,致力于将机器学习的文本聚类应用到物流分拣的研究中,提升物流拣选效率。本文首先介绍了文本聚类技术概况,通过空间向量模型实现订单文本向高维矩阵的转化。本文建立了一个基于人工拣选仓库的订单拣选的时间模型,以拣选时间为标准,对比分析了订单文本聚类分批策略与随机聚类分批策略、基于种子订单伴随订单的订单聚类分批策略。另外还根据仓库的储位分配策略,研究了一个特征词加权或多个特征值加权的订单文本聚类分批策略,研究了特征值加权对订单文本聚类的影响效果。经过仿真分析得出,对于随机聚类分批和订单文本聚类分批之间对比,订单文本聚类能提升20%左右的效率,作为聚类方式应用可以获得明显效率提升。订单文本聚类与种子订单-伴随订单原则聚类对比则种子订单-伴随订单原则的效率更高。但是经过加权储位分配相关的特征值之后,订单文本聚类的效率高于种子订单-伴随订单原则聚类。订单文本聚类将订单的品规信息拆分为特征词信息,增加了聚类的信息量,提高了聚类的维度和灵活性。订单文本聚类作为一种聚类分批方式能够明显的提高订单拣选效率,并且配合适当的特征值加权可以进一步提高订单拣选效率,是一种值得在仓库环境中应用并进一步研究的聚类分批方式。