随着现代互联网信息技术的进一步发展和移动智能设备的不断普及,互联网上的数据资源在急速增长,而文本作为信息的主要展现形式,其中包含大量的技术性信息和隐藏的知识。海量数据资源蕴含的丰富价值与企业提高生产效率的需求吸引了大量研究学者在数据挖掘领域投入大量精力进行研究,文本聚类作为数据挖掘的重要组成部分也一直备受关注。像K-means算法、K-means++算法等传统聚类算法高度依赖初始聚类中心,自身更新方式的也存在局限性,在解决高维度的文本聚类问题时可能出现聚类效果差,算法不稳定等缺陷,从而无法达到用户期待的聚类效果。粒子群优化算法(PSO)是一种典型的基于启发式的群体智能算法,其因种群去中心化、自适应能力强和高效率的种群演化使得该算法在一定程度上克服了K-means算法的缺点,但该算法的更新效率、全局优化能力、算法稳定性仍有进一步提升的空间。针对以上问题本文提出一种改善种群更新效率的新型差分进化粒子群算法,并将其应用在文本聚类上。本论文主要对文本聚类的处理流程、群体智能优化和聚类过程进行研究。首先对文本聚类所涉及的文本预处理、文本表示模型、文本相似度计算方式和聚类评价指标进行介绍,并详细分析了这些过程的要求和主要技术。然后介绍了群体智能优化的相关概念与特点以及粒子群优化算法的背景、原理、流程、优缺点和改进策略。随后针对算法在种群更新过程对聚类中心排列顺序的一致性普遍忽视的问题,提出一种基于个体间聚类中心相似度矩阵的自适应调整聚类中心排列顺序的方法,对涉及个体更新过程中的任意一对个体包含的聚类中心排列顺序标准化,尽可能保证同一维度上的聚类中心相似度最大,从而提高个体的更新效率。最后通过分析传统粒子群优化算法与差分进化算法各自的局限性和特点,充分发挥不同算法的优点与适用性,提出了性能更好,表现更稳定的一种新型差分进化粒子群算法。该算法以PSO算法为基础,在PSO算法种群更新停滞,搜索空间受限时,利用DE算法的交叉、变异等操作对种群进行扰动,增加种群的多样性,提高算法的全局优化能力。最后在文本挖掘通用的数据集上对该算法进行测试,验证了该算法的有效性与可行性。