当下社交网络高速发展,各类信息数量成指数式的爆发增长,人们生活,社交,娱乐,阅读更加依赖于社交网络。为了满足人们日益增长的快速获取信息的需求,互联网中诞生了诸如微博,豆瓣,知乎,今日头条等媒体。这类媒体通过给用户推送短文本信息,使得用户得以在短时间内,迅速了解时下社会问题,热点新闻,重要事件等与生活息息相关的信息。随着这类短文本信息量不断的积累,这其中蕴含的大量有价值的信息对人们的日常的生活,工作,学习,有着不小的影响。并且对经济,文化,政治等多个方面有着重大的研究意义。对这类短文本数据进行精准且有效的聚类,对舆情监测,广告投放,情感分析,文本分类等领域,有着先导作用和应用的价值。因此,对于海量的短文本信息数据的聚类研究,是存在着实际意义和研究前景的。短文本与长文本相比,文本长度短,词汇个数少。在整体的信息量不降低的前提下,短文本的单个词具有高信息量,高概括性。传统基于词向量特征空间模型,将短文本转换成稀疏的空间词特征矩阵,在处理大量数据时,会面临空间复杂度高,特征矩阵稀疏度高,针对噪声的抵抗弱,鲁棒性低的问题。利用word2vec结合文本卷积神经网络的方法将文本信息压缩,极大程度的保留了文本数据的关键特征,针对于短文本的空间复杂度,降低词向量的稀疏程度上面做了优化。短文本存在多义性以及多类性的性质,传统聚类算法只能将短文本数据硬性划分为一类,从而丢失多类交界文本数据的有效信息,无法完整的反映文本的真实信息,并且聚类结果精度不高,聚类中心偏移。为了解决短文本聚类存在多义性和多类性的问题,本文提出一种在Text-CNN支持下PCA-PSO-FCM短文本聚类算法。利用word2vec模型训练语料库,训练出词向量;使用Text-CNN的一维卷积层,对特征进行学习将词向量从高维映射到低维;然后通过PCA计算各维度主成分贡献率限制文本粒子各维度的移动;最后通过PCA-PSO-FCM算法对短文本进行实验,验证算法的有效性,对比算法的整体性能。结果表明该算法在短文本聚类中比传统聚类算法有明显的改进。