法语作为众多国际组织的工作语言之一,在全世界具有深远影响。随着我国“一带一路”倡议的提出及经济全球化的深入发展,我国与以法语为母语的国家交流也会越来越多,对法语文本自动化分析要求也越来越高。为了快速挖掘法语国家的文本数据,对法语文本的文本聚类研究变得尤为重要。主要从以下几个方面开展工作:（1）法语文本词语提取方法研究。词语提取是文本挖掘的基础研究,词语提取的完整性对文本挖掘有重要影响。本文首先对法语文本进行预处理,基于现成法语词语工具进行词性标注和词形还原。然后基于法语构词特点和统计规律构建文本FP序列树提取法语候选词语。之后基于改进的TF-D词语判别方法判断词语是否成词,将候选词按照判别结果降序排列,并使用人工判断最终词语提取结果。（2）法语文本聚类方法研究。基于词语提取的结果及词袋模型,本文分别使用TF-D、TF-IDF特征表示方法构建语料的文本特征并提取文本特征词,然后基于实例分别介绍基于划分的K-means聚类、PAM聚类及CLARA聚类方法,并将三种聚类方法的异同做了详细比较分析。（3）法语文本词语提取方法和文本聚类方法应用研究。使用联合国平行语料库中的法语语料,首先基于FP序列树提取能够构成词语的单词串,通过TF-D词语判别方法判断词语是否能够构成词语,并且通过与N-gram、CST’s lemmatiser等词语提取方法工具及本实验评价指标验证词语提取方法的有效性与可行性。其次为法语文本聚类应用研究,基于不同特征表示方法判别语料中文本特征词并基于轮廓系数分析评价文本聚类结果,以比较文本聚类方法的异同。实验表明,本文方法在法语文本聚类各方面效果均较令人满意,其中基于FP序列树的法语文本词语提取方法同其他方法相比具有更好准确率及更低的误判率,基于TF-D特征表示下的K-means、PAM及CLARA聚类方法的聚类效果亦优于TF-IDF特征表示方法。对于给定的法语语料,先后使用本文提出的词语提取方法和文本聚类方法,就能高质量获取该语料各文档所属类别并展现完整关键词,用于支持相关组织的管理决策。