随着信息社会尤其是互联网的发展,人们对文本检索的要求越来越高。对传统关键词匹配技术的改进,智能检索研究已经成为热点,并将是支撑下一代互联网的核心技术之一,将语义计算技术应用于文本检索是智能检索的重要方向。基于知网的词汇语义计算方法揭示了词汇间的语义信息。根据文本的向量空间模型描述形式,采用了基于“知网”的词汇语义计算方法来计算两篇文章向量的相关性。聚类分析作为一种数据挖掘的重要手段,在文本挖掘中起重要的作用,文本聚类实际上是对文本内容的聚类（如比亚大学开发的多文档自动文摘系统）。传统的基于文本关键字的向量空间模型（VSM）,用m个关键字构成的文档向量D_i={d_1i,d_2i,…,d_mi }表示文档集中的一个文档,但是这种方法存在一定的问题。表现在向量空间应用矢量内积计算文本向量空间的相似度,把词语看成了独立的元素,词语之间没有联系,不能明确表达文本语义内容。其次,语义的向量空间模型只是对文本中存在的词语进行匹配,忽略词语中的一词多义以及一个文本语义的多种表示方法。目前,词条集合并不能完全准确地反映文本的语义,可以通过改变文本聚类的途径来对文本的语义进行聚类。文本通过知网的内容来构建概念语义树,消除一词多义和一义多词及一个文本语义的内容可以有多种表达方式等问题的歧义性,将语义相近的文档实现基于内容的聚集。本文基于知网的语义结构,构建了具有添加和删除特点的语义树,使概念的匹配粒度实现细化,并给出了概念语义树匹配算法,实验结果证明了算法的有效性,更好的解决“关键字障碍”和语义歧义性问题,提高查全率。