随着Internet和Web技术的飞速发展,Web已经成为一个海量动态的信息资源库；而文本是信息最重要的载体,研究表明信息有80%包含在文本中。因此人们迫切需要能够从Web文本数据中快速有效地发现资源和知识的工具,而Web文本聚类是一种有效的文本挖掘方法,也是Web数据挖掘中的核心技术之一。本文针对Web文本聚类展开研究,主要工作如下：(1)对Web文本聚类关键技术进行概述,主要分析了网页采集、文本去噪、分词、文本表示和特征降维等文本预处理的相关技术,其中针对TF-IDF方法的不足,提出一种改进的特征项权值计算方法SDI-TF-IDF;(2)在基于向量空间模型中使用的文本相似性度量方法基础上,分析了Web文本聚类算法,对几种典型的聚类方法从多个方面作以比较,并介绍Web文本聚类评价标准；(3)分析了传统的DBSCAN算法思想的局限性,针对建立R*-树复杂耗时及DBSCAN算法对非均匀数据集聚类效果差等缺点,在目前现有的IF-DBSCAN算法的基础上,结合哈希表邻域查询法和核函数聚类,提出了对DBSCAN算法的改进优化方法；(4)最后对采集到的Web文本进行聚类,实验验证了优化算法具有良好的聚类结果。