作为数据挖掘领域的一项非常重要的技术,聚类算法在信息过滤和文本整合等方面都有着广泛的应用,在对海量的文本信息进行检索、组织和处理时经常使用聚类算法进行分析和进一步的整合。但是现有的文本聚类算法往往无法捕获文本中词语之间的关联性和上下文语义,并且存在聚类结果受特征向量单方面影响的问题。本文针对这些问题深入研究了文本聚类算法的优化和改进,主要工作如下:1、设计了基于卷积神经网络的文本聚类算法。该算法以大规模语料库为基础,使用word2vec模型训练语料,学习词语之间的语义关系,并用词向量形式表示词语,进而将文本转化为稀疏的原始向量形式;然后,利用深度学习的卷积神经网络对原始向量进行特征学习,以此构造维数较低的文本向量;最后,利用k-means方法实现文本聚类,实验表明该算法的准确度达到75%以上。2、提出了联合优化的反馈神经聚类算法。该算法首先在预训练的词向量的基础上对词语的向量表示进行扩展,通过双向循环神经网络获取文本中词语的上下文语义,使得词语的向量化表示既包含了本身的含义,又包含了文本的上下文环境,从而使得文本的向量表示也更加丰富和完整。然后针对传统k-means算法的不足,通过进行二次分区调整来尽可能避免其陷入局部最优。最后,将聚类效果的模糊性作为损失函数,不断训练卷积神经网络,从而实现特征提取和文本聚类效果的相互影响和不断优化。实验结果表明,本文算法的准确度超过了80%,和现有文本聚类算法相比,聚类效果得到了有效提高。