文本聚类是数据挖掘和信息检索领域的一个重要研究方向。随着互联网技术的飞速发展,网络文本信息的容量与日剧增,人民迫切需要从这些文本中获得更多有用的信息和提高在互联网上的信息获取效率。本文对文本聚类分析中的K-Means聚类算法的初始质心选择,话题检测中的聚类算法的缺陷和大数据下聚类算法的应用三个问题进行了深入研究。首先针对k均值算法对初始质心敏感和k均值算法不能够获得稳定的聚类结果的问题,提出一种基于小世界网络的方法来选择k均值算法的初始质心。实验证明该方法能够得到一个稳定的效果较好的聚类结果,能够有效的被应用于文本聚类的领域。其次主要是针对目前存在的聚类方法用于话题检测的不足,提出一种全新的基于网络分解的文本聚类算法。该方法有效地保证了毫无意义的文本不被用来构成话题。尽管该算法在F度量值稍微差于二分k均值算法,但是在簇间平均相似度和整体相似度都优于二分k均值算法。能够有效地用来进行话题的检测。最后主要针对基于网络分解的文本聚类算法在大规模数据处理中所遇到的数据量大和效率的问题,提出一种基于Hadoop的并行网络分解聚类算法,并成功将该算法应用于大数据聚类。