由于Internet上有可用的大量Web服务,Web服务发现的过程正变得复杂而耗时。Web服务发现是基于目标服务用户描述,并且根据一定的服务匹配算法从服务注册中心找到与用户需求描述匹配的服务的过程。由于Web服务的数量在迅速增长,如何迅速准确地返回服务请求者请求的服务是当下研究的热点。本文针对基于语义Web的服务发现问题进行了深入的研究。首先面对Web服务提供者提供的海量信息,在进行服务发现前采用融合TF-IDF的word2vec方法表示文本向量,通过训练维基百科语料库对Web服务的文本描述部分进行语义扩充。随后建立LDA主题模型,进行Gibbs抽样分配,得到文档-主题分布矩阵。其次为提高服务发现的效率,减少服务匹配时间,进行聚类处理。针对K-means算法对初始聚类中心敏感和层次聚类算法计算量大、处理速度慢的问题,在K-means聚类和层次聚类算法的基础上提出改进的KMHC聚类算法。将Web服务依据服务文本描述信息进行聚类得到K个服务簇,在得到的每一个服务簇中都有一个Web服务作为质心,代表这个服务簇。服务请求者请求服务时,计算请求服务与服务簇中代表服务的欧式距离,将服务确定属于哪一个服务簇,可以减少匹配时间。最后通过基于本体概念语义相似度计算方法计算输入输出参数的相似度,进行功能匹配,得到服务簇中符合用户请求的服务并返回给用户。本文通过三部分实验进行验证,首先验证基于word2vec和LDA进行服务处理的有效性,其次验证KMHC聚类算法的准确性,最后验证本文提出的服务发现方法的可行性与有效性。