互联网技术的迅速发展,网络中产生了海量的文本数据信息,如何对这些海量数据进行分析与处理,挖掘出有用的信息已经成为当前亟待解决的难题,数据挖掘技术应运而生。数据特征维数的急速增加给数据挖掘任务带来了巨大的挑战,降维技术是对高维数据进行预处理的有效方法,特征选择算法是降维技术中应用最为广泛的方法。但传统的单一特征选择算法存在冗余、噪声信息以及聚类精度低等问题,针对这些问题,本文从下面两个方面进行了研究:针对单一特征选择算法存在不相关、冗余特征以及聚类精度低等问题,提出一种基于差分进化的两阶段文本特征选择算法。该算法在过滤阶段使用方差及平均中位数分别计算特征相关评分值,将各自评分值靠前的特征进行融合,过滤不相关特征,得到高相关性特征子集,实现特征的初步降维;封装阶段采用改进的差分进化算法提取最优特征子集,进一步降维。改进的差分进化算法利用文档频率和累积特征词频率构建适应度函数,并在变异操作中引入局部最优特征及多个差向量策略,加快算法的收敛速度,提高算法的全局搜索能力。在不同数据集中进行仿真实验,仿真结果表明:聚类任务中,该算法在有效降低文本特征空间维度的基础上,显著提高了聚类的准确率、召回率及F1值。为了消除特征子集中存在的噪声特征,提高特征选择算法的类间区分度,提出一种三阶段文本特征选择算法。在第一阶段该算法使用改进的平均绝对差方法从原始特征空间中过滤不相关特征;第二阶段,使用结合特征模长的绝对余弦方法从相关特征空间中去除冗余特征;第三阶段,利用主成分分析方法将高维相关和非冗余特征空间转换成无噪声低维特征空间,获得最优的特征子集。仿真结果表明,本文提出的算法与其他算法对比能获取更好的准确率、召回率和F1值,有效的去除了噪声特征,选择出的特征子集具有良好的类间区分度。