随着互联网和web2.0站点的迅猛发展,web对象的细粒度聚类技术已经成为学术界研究的热点。然而已有的绝大多数聚类模型只关注对文本内容或文章主题进行聚类,聚类结果粒度较粗,无法满足大规模网络信息检索的质量要求,并且传统的聚类模型主要应用于结构化数据,无法处理从网络数据源提取的面向web对象的半结构化数据。针对上述挑战,本文提出了基于词汇信息分布的特征提取算法和自适应的记录合并算法,提高聚类结果的细粒度。首先特征提取算法构建一个信息传递有向无环图,通过挖掘web对象数据中特征词汇的树状概率层次关系,利用词汇在图中信息分布的集中度提取特征,过滤噪音词汇,然后利用一阶触发对挖掘半结构化数据中隐含属性间的关联关系,聚集对辨别实体起到关键作用的特征组合,根据分辨web对象的能力,为每个特征词汇赋予合理的权重,使记录的特征向量更具代表性；同时自适应的记录合并模型在产生基本聚类簇的前提下,为重复出现在多个基本聚类簇中的数据记录二次选择最优的目标聚类簇,有效提高目标聚类簇中记录间的相似度,减少噪音对合并过程的影响。通过这两个过程,整个聚类算法很好解决了面向web对象的高细粒度聚类问题。实验结果表明,本文提出的聚类算法可以过滤绝大部分噪音词汇,并且根据特征词汇的分辨力合理分配权重,使最终聚类结果的准确率有很大的提升。算法相比传统聚类算法在F-Measure值上平均约有21.3%的提高,可以有效地运用到多领域web对象的聚类问题。