随着信息技术的发展，企业的数据资源呈爆炸式的增长，传统的企业竞争情报系统在数据分析处理中的不足日渐突出。数据挖掘技术的兴起为竞争情报系统的发展提供了新的动力。文本聚类是数据挖掘的一个重要研究课题，在各个领域得到了广泛的应用。其作为一种无监督的机器学习方法，可以对文本信息进行有效的组织、摘要和导航，所以研究文本聚类在企业竞争情报系统中的应用具有重大意义。结合在企业竞争情报系统中的应用，本文对AP算法(近邻传播聚类算法)存在的问题做了如下改进：由于AP算法对于结构较为复杂的数据集应用效果不佳，且无法利用少量的先验知识优化聚类准确度，针对这一问题，本文提出了一种基于AP算法的半监督聚类算法(S-AP)，多次实验结果表明，该算法具有更高的准确性和更快的收敛速度。另外，针对在聚类过程中各维属性特征的贡献不同，本文提出了基于特征加权的改进AP算法(W-AP)，实验表明该方法优于传统的AP聚类，能够较明显的提高聚类准确率，同时可以分析各个特征的不同贡献，有效的优化特征空间。最后，在前面研究的基础上，根据所做的项目课题，将改进的AP算法应用于企业竞争情报系统中，来对采集到的文本情报信息进行有效的聚类，并取得了较好的结果。