随着科学技术的进步,人们获取信息、分享信息变得更加便捷,但是也带来了另一个困扰,海量的文本数据远远超出了正常人的阅读和获取信息的能力。文本聚类作为文本挖掘的一个重要分支,存在大量的使用场景,比如数据挖掘、信息检索、文本概括、主题检测等。在实际的文本聚类任务中,有时容易获得一些带有少量监督信息的数据,半监督学习方法能利用少量监督信息大幅提升聚类效果。因此综合利用少量有标记数据和大量无标记数据的半监督聚类方法逐渐引起人们的关注。半监督学习和谱双向聚类都是机器学习领域的前沿技术,本文对基于谱双向聚类的半监督聚类算法展开研究。在文本聚类中,双向聚类产生的邻接矩阵可能是一个存在很大程度差异的稀疏网络。在这种情况下,普通的谱聚类效果往往不好,因为程度不均匀会导致邻接矩阵映射的特征空间有偏差。为了解决这个问题,本文引入正则化的谱聚类来处理文本双聚类中存在的这种稀疏结构问题。本文的研究内容和研究成果主要体现在:（1）将正则化的谱聚类引入到谱双向聚类中,提出正则化的谱双向聚类模型（Regularized Spectral Co-Clustering,RSCC）;（2）将正则化的谱聚类引入到谱约束模型中,提出正则化的约束谱双向聚类模型（Regularized Constrained Spectral Co-Clustering,RCSCC）,提升半监督的谱双向聚类的效果。（3）提出一种新的使用word2vec来自动构建词语之间的约束条件的方法,不仅能利用用户提供的先验信息,而且能利用文本中包含的上下文语义信息。本文在文本数据集20newsgroups中进行实验分析,将聚类效果与原始的谱双向聚类和谱约束模型进行优劣比较。实验结果表明,通过引入正则化谱聚类算法,谱双向聚类和半监督谱双向聚类模型的效果均获得了明显提升,验证了我们提出的算法具有相对的优越性。最后,将本文提出的模型应用于财经新闻聚类,可以较好地挖掘出新闻中包含的主题,反映当前的财经热点。并且使用lasso-logistic模型建立了聚类主题分布向量与股市指数之间的预测模型,能以较高的准确率预测当天的股市指数涨跌。