Web2.0时代出现的论坛、博客、新闻和在线评论等新媒体每天产生海量文档信息,因此需要一种高效的方法提取文档重要内容,去除冗余信息,将简洁,精炼的内容呈现给读者。为了帮助读者们获取他们感兴趣事件的最新动态,实现更快的实时更新文摘内容,动态文摘技术成为一个新的研究热点。动态文摘的提取需要同时保证质量和效率,目前的动态文摘研究工作大多是基于批处理原则--以文档集合为单位进行处理。而在实际应用中,如新闻更新、灾难报告、舆情分析等系统,文档数据是不稳定的数据流,因此需要研究高效的基于数据流处理的动态文摘抽取办法。为了解决上述问题,本文提出了两种基于增量聚类算法的动态多文档摘要算法:基于改进K-means方法的动态文摘算法和基于KNN增量图聚类算法的动态文摘算法。在动态文摘算法中,聚类的目的是划分文档子主题,而多文档的子主题是潜在的,针对传统k-means需要人为指定聚类数的缺点,实现了一种自适应的初始中心选择方法,并通过对句子节点有用度打分来删除句子,实现增量聚类流。基于KNN增量图聚类的动态文摘算法首先基于KNN思想来构建句子图模型,利用基于密度分割聚类实现句子分类,同时结合图中节点权重和时间因素筛选出候选文摘句,根据摘要长度抽取出动态文摘。最后实现了本文knn增量图聚类算法中文舆情动态文摘抽取原型系统。本文工作的主要贡献是:提出了两种新的基于增量聚类方法的动态文摘抽取算法,实现文摘抽取的流处理——随着文档数据流到来,实时更新文摘内容。根据动态文摘的四大特性:重要性、主题相关性、低冗余性和新颖性,提出一种新的句子加权方法。在TAC数据集和中文舆情系统下的实验证明了两种算法的有效性,其中基于KNN增量图聚类算法的动态文摘算法得到的文摘质量更优。