现代搜索引擎需要面临的一个非常有挑战性的难题是：如何处理非确切性查询,如何对返回的结果进行抽象组织,使得用户能够迅速缩小查询范围,达到良好的搜索体验。当今大多数搜索引擎,对于一次查询返回的结果,并没有总结组织的机制(只有少数研究型系统提供了此模块),用户不得不在返回的大量结果中,遍历,翻页,查找他们所需要的信息。将查询结果进行聚类化,并且以友好的界面呈现给用户,是解决非确切性查询的有效手段。本文从丰富语义性的角度给出了一个基于K-means聚类算法的增强实现,充分挖掘文本内在表达缺失的语义信息,并在聚类产生,以及聚类呈现的过程中加以利用。聚类产生阶段,借助维基百科的主题,类别,链接结构,提取语义信息,在降低噪声影响的前提下,增强文本的语义表现力,优化聚类效果。聚类呈现阶段,借助社会化标签网站的用户标注,与聚类内在标签竞争,选取最符合聚类描述的标签,改进聚类的呈现效果。本文实验系统包括,文本VSM模型建立模块,Wiki语义信息抽取模块,增强型聚类生成模块,聚类内标签提取模块,社会化标签提取模块,以及最优标签竞争模块。实验搭建了基于Hadoop的分布式文本聚类框架,对比了语义增强型K-means算法和传统K-means, fuzzy-K-mean, LDA算法的聚类效果,分析了本文Wiki信息提取策略与现存研究的优化,验证了本文标签竞争策略相比基于聚类质心,聚类分词频度,MI的传统标签生成策略的改进。实验结果表明,引入Web2.0语义信息增强后,聚类内聚度得到提升,同时聚类标签选取更加准确和具有语义性。并且,本文的Wiki语义增强策略,可以拓展到其他聚类算法,以及聚类研究之外的信息挖掘领域。