随着各种网络媒体的迅猛发展,获取新闻信息愈发便捷,但是这也造成了数据积累。如何在海量数据发掘潜在信息并有效利用成为现今重点研究领域。聚类分析是数据挖掘重要方法之一,被广泛应用在生物信息、金融、医疗等领域中。本文主要对新闻文本聚类进行研究,提出了基于改进K-Means的新闻聚类算法。首先,结合新闻文本的结构特征提出了TI值概念。TI值是基于正文特征词的词频-逆向文本频率(Term Frequency-Inverse Document Frequency,TF-IDF)值,结合了新闻的标题与导语两个重要因素产生的,用于文本特征向量的提取,以便使文本特征向量具有代表性,提高聚类效果。其次,针对最大距离算法时间复杂度高,聚类效果不稳定等问题,对其进行了优化,并结合TI值形成TIM_K-Means算法。该算法将TI值用于构造文本特征向量,并且改变了最大距离算法中距离的计算方式,从而降低算法的时间复杂度。此外还在初始中心选择过程中加入了孤立点检测,以便能够在迭代过程中去除孤立点,得到更加合理的初始聚类中心。再次,为了应对算法在处理海量数据耗时严重的问题,对算法进行了并行化改造。本文利用MapReduce编程模型对TIM_K-Means算法进行并行化改造,使其能够在Hadoop平台上运行。最后,采用准确率和误差作为衡量指标,利用采集自腾讯新闻网的文本作为数据集进行实验,以验证TI值和TIM_K-Means算法的正确性和有效性。并且利用阿里云服务器搭建Hadoop集群,采用加速比和可扩展性作为标准,对TIM_K-Means算法并行化改造的可行性进行验证。