文本聚类是在无监督条件下对文本集进行划分的过程。K-means算法作为划分聚类中最典型算法之一,具有算法简单、伸缩性强的优点,对于大规模文本集的聚类有较高的效率。但K-means算法在处理包含长文本和短文本的混合文本集时,由于提取特征向量维度要求一致,短文本提取信息冗余,长文本信息损失严重,导致聚类效果不佳。同时,文本集中孤立点的存在和初始中心点局部优化的问题,也会影响聚类效果。为解决上述问题,通过研究和对比各类聚类算法,提出了三种改进算法:基于混合文本集的K-means文本聚类算法、基于距离的孤立点检测改进算法、基于距离的初始中心点选择改进算法。实验表明,基于混合文本集的K-means文本聚类算法,解决了处理混合文本集的问题,提升混合文本集的聚类性能,并加快算法的运行速率;基于距离的孤立点检测改进算法,解决了在聚类前必须预设孤立点个数的问题,使在不提供孤立点个数的情况下,能够准确地输出孤立点,并分析出每个孤立点的孤立强弱程度;基于距离的初始点改进算法,解决了密度分布不均时初始中心点的问题,使在密度分布不均匀的文本集中,能够输出理想的初始中心点。