在互联网信息量呈指数级增长的时代中，人们想要在Internet上获取所需要的信息显得相当困难。因此，如何对大量中文网页信息进行有效地组织和管理，从海量无序的数据中获取对自己有价值的信息成为了一个急需解决的难题。中文Web文本聚类技术正是应用于这样的问题，它能对互联网上大量的中文网页资源进行分类管理，从而为后续的用户兴趣分析和个性化推荐等服务提供基础，但是，当前网页聚类技术不够成熟，仍有较大改进空间，需要对其中的特征选择算法和文本聚类算法进行改进，提高网页聚类效果。本文主要深入研究了中文网页聚类的相关技术，并就其中的中文网页主题信息提取、特征选择算法以及文本聚类算法提出了改进思路，具体包括：（1）在深入分析中文网页基本结构的基础上，通过正则表达式匹配解决了对网页标题和网页关键字的提取，另外，对网页正文的提取设计了一种基于内容关联性和超链接文字比的提取方法；（2）针对传统的TFIDF特征选择算法忽略网页基本结构特点以及忽略其他文本的词频的缺陷，提出一种改进的ITFIDF算法，增加了重点结构标签的特征权值以及罚因子；（3）针对传统K-均值算法依赖初始聚类中心和容易陷入局部最优解的问题，提出一种结合粒子群优化算法和K-均值算法的改进聚类方法PK_Cluster，它可以通过计算确定切换K-均值算法的时机并自适应地调整惯性权重，以此增强算法局部精确搜索能力；（4）实现了整个系统，并通过实验验证了改进思路的有效性，最后将系统应用到用户行为分析中。