随着科学技术的喷涌式发展和智能移动终端的广泛普及,互联网行业来到了一个飞速发展的黄金时代。在人们日常产生的海量短文本信息中同样蕴含着巨大的价值等待挖掘。对海量的短文本信息进行文本聚类是人们整体把握这些文本信息前提,同时也是人们是对文本分析和预测的前提。因此更好的对短文本进行聚类也成为了目前学者们的热门研究方向。目前传统的word2vec模型虽然可以很方便的表示文本,但是这种模型训练出来的词向量属于静态的词向量并不能解决短文本中一词多义的问题。而ELMo模型可以表示出词语与上下文之间的语义联系,在解决一词多义问题的同时还不会使模型维数过高。本文提出了一种基于ELMo语言模型的短文本聚类算法,本文的主要工作如下:针对目前短文本聚类的发展情况,首先详细的介绍了短文本聚类在自然语言处理方面的重要程度以及在短文本聚类过程中所出现的问题和解决方法。并对目前学者们常用的几种文本聚类算法、距离计算函数做出了基本介绍。针对传统词向量无法区分词语的一词多义问题,本文提出使用ELMo模型进行训练动态词向量,并且使用GRU网络减少词向量的训练时间,最后融入注意力机制加强词语与上下文之间的联系,从而提高了词向量对词语表达的准确性。针对传统K-means聚类算法初始聚类中心对聚类结果影响大的问题。本文提出了一种优化的K-means聚类算法。该算法选择RWMD距离作为文本距离,同时通过LDA模型判断文本集中主要主题数来确定类簇数量,最后选择距离最远的几个点当作聚类初始中心点进行聚类。实验结果表明本文提出的聚类算法相比于传统的聚类算法准确性得到了提升,且收敛速度相对较快。