互联网时代,web中的文本数量和访问这些文档的人数一直在海量增加,对这些数量巨大的文本信息,人们要想找出一些相关主题的内容,仅靠人工的分类方法已经不能符合实际需要了。借助计算机来帮助我们进行WEB内容的整理再进行后继的处理是目前一种常见的手段。文本聚类研究是数据挖掘非常热门的研究课题之一。目前研究文本聚类的算法有很多,主要集中在单次聚类及其相关参数的改进上,本文研究的重点是组合聚类方法。首先分析了文本聚类中比较流行的3种聚类算法(SOM聚类算法、K-means聚类算法、FCM聚类算法),对这3种算法进行了详细的介绍并分析了各自的优缺点。然后,结合文本特征选择方法的特点分析,提出了两种组合聚类流程模型,从理论上说明其有效性及特点,并详细介绍了与其对应的聚类算法:DSOM-FS-K-means算法和DSOM-FS-FCM算法,其中,在DSOM-FS-FCM算法中,还使用了优化函数对FCM算法中的隶属度函数进行调整,降低了孤立点数据对聚类效果的影响。最后,为了验证组合聚类算法的有效性,我们把这两种组合算法与各自相对应的单次聚类算法和没有结合特征选择的组合聚类算法进行对比,对实验结果进行分析,证明了组合聚类算法的优越性。