现有的文本聚类算法存在划分不准确以及同名消歧算法的冷启动性等问题。针对这些问题,本文融合多种特征提取算法提出了基于Word2vec-Textrank与DMM的长文本聚类算法,之后引入文本中的元路径信息提出了基于元路径的Kmeans聚类算法,最后研究文本中的词向量信息和元路径信息融合方式,提出了基于Word2vec和元路径的同名消歧算法。主要研究工作和成果如下:1提出了一种基于Word2vec-Textrank与DMM的长文本聚类算法WTDMM。针对长文本中的特征信息提取,本算法首先使用Word2vec模型对长文本进行词向量构建,然后通过Textrank关键句提取算法对长文本中的句子进行排序,剔除文本中的无用信息,之后采用DMM对处理后的文本数据进行聚类。搜狐和20NG新闻数据集上的实验表明WTDMM算法可以有效的提取长文本中关键信息。2提出了基于元路径的K-means聚类算法MP-KMS。为挖掘文本中潜在的信息,以提升文本聚类的质量。本算法首先提取文本中的实体信息,之后通过实体之间的关系来构建元路径网络,利用元路径信息来计算文本之间的相似度,最后采用K-means聚类算法对文本进行聚类。Disambiguation和Metapath2vec数据集上的实验表明MP-KMS算法能够有效挖掘文本中的潜在信息。3提出了一种基于Word2vec和元路径信息的同名消歧算法WP-ND。针对同名消歧的冷启动问题,提出了一种融合词向量和元路径信息的方法。该方法利用Word2vec来构建文本的词向量信息,得到文本之间的相似矩阵,又利用元路径信息来计算得到文本之间的另一个相似矩阵,对两个相似矩阵进行混合,然后采用OPTICS聚类算法来进行文本聚类,以达到消歧的目的。OAG-Who Is Who和AMiner数据集上的实验表明WP-ND算法能得到更优的同名消歧效果。主要研究贡献:融合多种特征提取算法从长文本中提取出关键的信息,设计实现了一种关键信息提取算法;根据文本中实体与实体之间的联系来构建元路径信息,实现了对文本中隐藏信息的挖掘;针对文本中的词向量信息和元路径信息,提出了一种有效的融合算法。之后通过实验验证了算法的可行性和有效性。