情报是国防的灵魂,关系到一个国家的安危及进步。而迅速发展的互联网为国防新闻的搜集提供了最及时、最重要的来源。但是由于互联网上的情报信息大多以半结构化甚至非结构化的自由文本的形式存在,而且数量之大,让人无法形容,导致情报人员容易在“数据海洋”、“信息迷雾”中迷失。因此有必要实现一个文本挖掘系统帮助情报人员自动进行分类、聚类信息,进而快速从中提取出有效情报。文本聚类是文本挖掘中最基本、也是最重要的功能,因此在实现该文本挖掘系统时,关键的问题是如何进行文本聚类以及如何提高聚类的效率。本文先分析了文本聚类的研究背景、国内外研究现状,再介绍了文本聚类的相关基础理论,包括文本挖掘的理论和文本聚类的相关关键技术,着重介绍了自组织映射神经网络SOM聚类算法的工作原理、基本流程,并分析出SOM的优缺点。针对SOM聚类算法的缺点,从两方面对应提出改进方案,即一方面是针对传统上基于向量空间模型表示的输入向量存在高维稀疏及缺乏语义支持的问题,提出基于领域本体将文本表示成主题概念向量;另一个方面是针对聚类过程中传统上采用全失真搜索最邻近结点的乘法运算量过高导致聚类时间过长的问题,提出部分失真方法,早期拒绝不可能的候选获胜神经元,避免不必要的计算,降低计算时的乘法运算量,提高了聚类速度。最后,将改进后的SOM算法应用于国防文本挖掘中,以实验验证其有效性及相对于原始的SOM算法的优越性。