随着计算机与互联网技术的发展，数据资源日益丰富，但是隐藏在大量数据资源中的知识却没有得到充分的利用。Web挖掘可以快速有效地获取Web上有用的信息。因为Web上的信息主要以文本的形式表示，而文本聚类作为文本挖掘的一个重要分支，可以更好地发现文本数据中隐藏的类别特性。所以对Web文本进行聚类分析具有重要的实际价值。目前对于文本聚类算法的研究有许多，研究主要集中于对单一聚类算法的改进及探讨相关参数这两方面。但是单个聚类算法存在结果不稳定、随机性大的问题，现有研究趋向于集成多个聚类的结果。利用集成学习技术来改善聚类性能成为了一个新兴的研究热点。本文研究的重点是集成聚类方法。本文介绍了课题的研究背景和国内外研究现状，并阐述了文本聚类及集成聚类的相关理论和关键技术。详细介绍了文本表示方法、特征选择方法、相似性测度等文本预处理技术，并对共识函数的设计方法进行了深入探讨。当前文本聚类集成方法中大多不考虑进行集成的聚类成员的质量，而当部分成员的质量较差或者有噪声干扰时会影响最终集成结果。本文在对已有单个算法和聚类集成算法进行了研究和分析之后，针对现有集成聚类算法的不足，提出了一种加权聚类集成算法。算法的主要思想是通过评价聚类成员的综合聚类质量以及分析成员之间的差异度来设计各个成员的权重，进而得到更好的融合结果。最后，本文设计了一个文本聚类原型，并将提出的加权集成算法在文本中进行应用。在本文实验中，把加权的集成算法WCSCE与没有加权的集成算法CSCE以及单一K-means算法进行对比分析，验证了加权算法的可行性及有效性。