随着5G技术的出现以及计算机技术突飞猛进的发展,通过互联网发布和获取信息变得越来越容易。面对人工难以处理信息爆炸式增长的困境,文本聚类可以高效地管理组织文本,挖掘文本之间的内在联系,有利于解决信息爆炸和信息冗余所带来的问题。影响文本聚类效果的因素众多,本文重点围绕其中特征选择和文本表示两个关键技术进行研究,主要完成了以下三部分工作:（1）提出了一种基于新型特征选择的文本聚类方法（Text Clustering based on Novel Feature Selection Method,TC-NFSM）。针对文本聚类中的高维问题,从数学角度分析特征选择问题;探究二进制粒子群优化算法在文本特征选择中的应用,针对该算法提前收敛、搜索能力不够细致等缺陷,引入动态控制的学习因子、惯性因子、收缩因子的同时融合遗传算子,提升算法的搜索能力,并结合基于特征词权重的适应度函数,提出了一种新型特征选择方法（Novel Feature Selection Method,NFSM）;以此为基础与传统聚类算法K-Means结合提出TC-NFSM文本聚类方法,有效缩减了特征数量。（2）提出了一种基于新型文本表示模型和深度聚类的文本聚类方法（Text Clustering based on Novel Text Representation Model and Deep Clustering,TC-NTRM）。针对文本聚类中的语义缺失问题,考虑文本中上下文信息以及文本中蕴含的实体和特征词,引入Bert预训练模型与基于实体和特征词的特征加权方案结合,提出了一种新型文本表示模型（Novel Text Representation Model,NTRM）;在此基础上与深度聚类方法结合提出TC-NTRM-DC文本聚类方法,有效降低了传统文本聚类中语义缺失问题带来的影响。（3）设计并实现了一套文本聚类系统。以本文提出的两种文本聚类方法为基础,结合实际科研项目需求,设计并实现了一套文本聚类系统,包括数据规范化、文本预处理、文本聚类、数据管理、系统交互、系统管理六个模块。本文提出的两种文本聚类方法,均有效提高了文本聚类准确率等指标,提升了文本聚类效果,对开展文本聚类研究有一定的参考价值。基于两种文本聚类方法实现的文本聚类系统,提供文本聚类的核心功能,在文献管理、舆情分析等领域具备一定的应用价值。