话题发现和跟踪(TDT)技术是国内外研究的一个热点，具有广泛的应用前景。本课题的研究目标是设计和实现一个热点话题发现系统模型，应用一种新的仿生物学的聚类算法——蚁群聚类算法作为发现算法，发现新闻中的热点话题，使用户能够阅读自己感兴趣的话题。　　 本文首先介绍了话题发现技术和它的研究现状，总结出话题发现技术实际上等同于无指导的聚类研究，然后对蚁群算法的发展做了简要介绍。　　 接着，本文阐述了和本研究相关的技术，主要介绍了文本预处理技术和聚类方法，总结了它们的常用技术，并分析了这些技术的优缺点。　　 然后，本文梳理了蚁群聚类算法的发展历史和基本原理，介绍了两个经典蚁群算法，分别给出了它们的数学模型。我们针对热点话题发现的特点和标准蚁群聚类算法的缺点，提出了对标准蚁群聚类算法的改进策略:为蚂蚁增加了“记忆”功能;引入了多种群的蚂蚁;防止算法过早停滞;优化蚂蚁的移动策略。实验结果表明，改进后的算法较基于标准蚁群聚类算法具有更高的准确率。　　 本文最后完成了一个热点话题发现系统模型，使用利用RSS技术的爬虫从网络中抓取文本，并对文本进行一系列的预处理，利用改进的蚁群聚类算法发现热点话题，并将之排序并提取出话题名称。对该模型进行的实验表明，它能够自动发现网络新闻中的热点话题，这样它就能够取代人工操作，节省人力资源。