在当今的知识经济时代,如何更有效地提高企业的知识管理水平,成为了管理学界的一个研究热点。围绕上述问题,本文对知识管理和文本挖掘的若干问题进行了深入研究,主要包括以下几个方面的内容:通过对以往知识链模型和知识成长模式的分析,从多种角度提出了新的知识链模型,使知识链更加完善;同时也提出了新的知识成长模式;并可以应用DEA等方法对知识管理系统进行分析、评价,为企业的知识管理提供了一定的理论基础和实施准则。提出了一种基于自组织神经网络的文本聚类方法,常用的文本聚类方法——平面划分法(如:K均值方法),必须确定聚类种子的个数,且种子选取的好坏对聚类效果有较大影响。该方法不必预先指定聚类种子数,可以根据聚类的精度,自动生成合适的新类别,有效地克服了平面划分法的缺陷。并可以通过调节输入参数来调节聚类的精度。分别提出了一种基于LSA和Kohonen网络的文本聚类和文本分类方法,该方法在构造向量空间模型的过程中引入了LSA理论,这样向量空间中每一维的含义发生了很大的变化、它反映的不再是词条的简单出现频度和分布关系,而是强化的语义关系;同时向量空间的维数大大降低。基于上述原因该方法可以有效地提高文本集的聚类或分类的精度和速度。提出一种基于PA理论和LSA理论的文本特征降维方法,模式聚合理论从分类贡献的角度出发,将具有相同分类贡献的特征词条聚合为同一个模式,从而大大降低了向量维数,提高了分类速度,同时增强了稀有词的作用,提高了分类精度。隐含语义分析理论的应用,使特征向量维数降低的同时,又在向量空间模型中引入了语义成分,使向量更能体现文本的内容,从而进一步提高了文本分类的速度和精度。