在互联网快速发展、广泛普及的时代下,非结构化数据(文本、图片、图像、视频等)呈爆炸式增长,人们花费在信息筛选的时间也越来越多,如何从大量的数据中挖掘出潜在有用的信息成为了学者们研究的热点。在这种情况下,本文关注文本数据的挖掘,利用聚类算法对文本数据进行组织、归类,发现有用的信息,减少人工整理文档的工作量,具有广泛的应用场景和深远的研究意义。本文聚焦于文本聚类应用,分析传统聚类算法的一些优势和不足,通过对聚类结果的有效性评价,提出了基于密度峰值和蚁群聚类的混合聚类算法。该算法从类中心点的选择、数据点的分配以及类合并三个方面给出了相应的计算流程,并最终将算法应用到文本聚类当中。本论文主要有以下几个工作:第一,蚁群聚类算法作为元启发式算法,具有全局优化能力、随机性和探索性,然而存在收敛慢的问题,本文使用改进后的蚂蚁拾起放下物品的计算方式,更有效的利用数据和周边数据的相似度计算拾起放下的概率,在一定程度上加快了算法的收敛速度;第二,密度峰值快速搜索算法虽然高效、简洁,但是存在需要运用可视化方式人为参与中心点的选择以及当簇分布均匀时,会把某些簇分为几个子簇的问题。针对这两个问题,本文考虑新的数据特征γ_i,引入蚁群聚类算法,将蚁群聚类算法与密度峰值相结合,提出新的聚类方法——DPACO算法。该算法运用蚁群聚类算法的探索性和随机性,对数据进行前期的初始聚类,并结合γ_i得到聚类中心,随后结合距离计算方式对数据进行聚类。通过实验证明,该方法在数据集上都取得了最优的结果。最后,论文将DPACO算法应用于文本聚类中,模块化的设计实现了文本聚类流程。实验数据集采用搜狗分类文本语料库,运用Jieba分词对文本进行分词,通过文本预处理系列操作,运用多种文本向量化模型,结合DPACO算法对数据集进行聚类,实验结果表明,算法在文本挖掘中具有有效的结果。