随着网络上的信息总量不断扩大，Web搜索引擎往往返回了大量与用户需求无关的搜索结果，增加了用户的浏览负担。一种有效的解决方法是对搜索结果进行聚类，形成若干具有特定主题的类，并对每个类提取能描述其大意的类标签对用户的查询过程进行引导，帮助其快速浏览及准确定位信息，这样将会大大减少用户查找自己所需要的结果的时间。　　 本文针对Web搜索结果聚类方法进行了研究。Web搜索结果聚类必须既满足实时性要求又保证好的聚类效果，因此在选择聚类算法时，必须同时考虑聚类时间和聚类质量两方面的要求。本文首先改进了一种结合k-means的层次化的Web搜索结果聚类方法，新方法首先利用凝聚层次聚类方法确定初始聚类中心，再结合k-means方法对Web文档进行聚类划分。　　 为更好地适应Web搜索结果聚类的客观性要求，使聚类结果更客观真实，针对聚类搜索引擎的特点，给出了一种基于信息熵的自适应搜索结果聚类方法，该方法采用投票机制确定初始聚类中心，引入信息熵理论来自动确定聚类类别数目，再根据相似度对搜索结果进行聚类划分。　　 在分析Web搜索结果的数据特点上，论文给出了改进的多方位加权函数权值计算方法，预处理过程中采用了合并词形成短语的方法来弥补分词软件的不足，进一步提高聚类效果。实验证明其有效的。　　 最后，设计了一个Web搜索结果聚类仿真平台，并对下一步研究工作进行了展望。