随着信息技术的发展,互联网为社会经济创新提供更广阔平台,网络消费成为新时代消费主要模式之一。消费者往往借助网络表达对商品质量或商家服务的评论意见,这些在线评论会对其他消费者的购买行为产生特定影响,对线上评论的文本数据进行有效挖掘具有重要的研究价值。随着在线文本数据量不断增加和格式多样化,如何对大量的文本数据进行主题细分受到研究者广泛关注。在消费者需求差异化、个性化发展趋势下,如何在竞争激烈的市场环境中利用聚类算法对商家用户行为特征进行分析,给商家提供更精准的营销建议具有特殊的现实意义。本文梳理了国内外相关文献中有关文本挖掘及聚类算法的研究现状,介绍了文本挖掘过程中的相关技术,分别对经典的K-Means聚类算法与近邻传播聚类算法进行改进,并基于优化的聚类算法对网络评论进行文本分析,主要研究工作包括以下几个方面:（1）针对K-Means聚类算法对噪声点敏感、预先设定聚类个数以及随机选取初始中心点的问题上,提出了一种基于网格过滤的聚类优化算法。利用网格过滤以及LOF检测方法去除异常值,然后通过“最大最小原则”与权值最大的策略进行结合的方式,得到的初始中心点能够较好地消除初始中心选择的随机性,并根据BWP指标确定聚类簇数。通过标准的UCI数据集进行验证发现,本文提出的GDD-K-Means聚类算法在一定程度上提高了算法的精度。（2）针对近邻传播聚类过程中对阻尼系数与偏向参数的选取会影响聚类结果的问题上,本文提出一种基于布谷鸟搜索的近邻传播聚类算法。由于布谷鸟搜索算法具有较高的寻优能力,利用Levy飞行机制寻找到最优的参数,同时保留全局最优的结果进行聚类运算,有效地解决了传统算法中存在的问题。通过标准的UCI数据集进行验证发现,本文提出的CSB-AP算法在一定程度上提高了聚类的精度并能获取聚类的基本结构。（3）以新疆特色农产品的在线评论为实证数据,根据线上评论的不同特征对象将数据集细分为三种特征评论,分别为线上消费者再购买意愿评论、线上商家服务评论、线上产品特征评论,从而基于聚类的文本挖掘对商家在线评论数据进行研究分析,并根据聚类结果以及数据间的内在结构为线上商家提供可行的营销策略建议。