随着互联网应用系统的广泛使用,微信、微博和百度等平台产生了海量的短文本数据,如何对这些数据进行有效的管理和运用成为自然语言处理领域的研究重点。文本聚类作为一种无监督学习技术,既不需要对数据标签进行手工标记,也不需要提前训练数据处理模型,具有较强的数据加工能力和领域适应性,被广泛应用于舆情监管、兴趣挖掘、文档整合等领域。短文本数据具有特征稀疏性、语法不规范性等特点导致传统的文本聚类方法在短文本聚类中往往无法获得有效的聚类结果,直接影响了短文本聚类的准确性。近年来,伴随着深度学习技术的发展,研究人员尝试构建深度神经网络模型以解决短文本聚类中特征稀疏、语义缺失而导致聚类准确率较低的问题。自编码器作为一种典型深度神经网络模型,网络结构优势在于可生成有效数据处理特征,因此本文研究了基于自编码器网络模型的短文本聚类算法,主要工作如下:（1）构建了基于自编码器的短文本聚类特征学习模型。模型将含有上下文语义信息的BERT词向量输入到自编码器进行参数初始化和簇中心选取,在编码器中结合t-SNE提出了一种新的软分配迭代优化算法并将KL散度最小化到辅助目标分布,以同时优化聚类分配和特征表示。在该过程收敛后,对短文本进行编码并使用K-means进行最终聚类。辅助目标分布提高了模型的强化预测和分配置信度。（2）提出了基于相异混合自编码器的短文本聚类算法。利用将编码器生成特征向量映射高斯混合模型的空间分布,通过极大似然估计思想获取分布参数构造相异混合模型,该模型与自编码器组成相异混合自编码器。相异混合模型的相似性度量和自编码器中真实数据与重构数据的损失共同组成相异混合自编码器的损失函数并进行迭代优化,最后与传统聚类算法结合进行聚类。实验中,模型使用不同的相似性度量函数从中选取最优的聚类效果。（3）设计并实现了短文本聚类实验平台。该平台引入基于自编码器的短文本聚类特征学习模型,运用MVC框架进行分层设计,通过输入模块,将短文本数据集上传到平台对文本数据添加、编辑和删除;使用文本表示模块,对文本清洗、去停用词、文本过滤和向量化表示的过程进行并行化设计与实现;在短文本聚类模块,设计基于自编码器的短文本聚类算法对向量化数据进行聚类分析;运用结果处理模块查询下载短文本聚类的结果,最后实现了短文本聚类平台。为了验证文本所构建短文本聚类模型的有效性,从百度问答、今日头条、新浪新闻中爬取三个中文短文本数据集,通过与TF-IDF和SIF表示的K-means聚类以及STC2模型进行实验对比,本文两种模型的标准化互信息和准确度指标具有一定的改善。