随着网络的普及与发展,越来越多的数据挖掘任务需要在分布式的环境下进行。同时,随着博客、微博、微信等新兴社交工具的出现,层出不穷的文本数据挖掘需求需要满足。这使得在分布式环境下进行文本挖掘成为了研究的热点。然而,在分布式环境下进行文本挖掘时,算法必须满足分布式环境各方面约束,而文本数据又很难表示成具有高层次语义信息的特征,不能满足机器学习算法的要求。因此,如何使数据挖掘算法分布化和学习到文本的特征以适应相关算法成为分布式文本挖掘的难点和重点。本文首先针对分布式聚类问题,将混合分布概率主成分分析(MPPCA)模型的最大期望(EM)算法变形,并提出估计MPPCA模型参数的分布式EM算法,从而实现分布式子空间聚类。然后,本文针对结构化对等网络不支持语义检索问题,基于标准α稳定分布提出语义相似哈希算法,并用语义相似哈希替代一致性哈希,实现了支持语义检索的语义DHT网络。为了更好地支持以上分布式数据挖掘算法在文本数据上的效果,本文随后研究了基于神经网络的文本特征学习算法。针对句子级的特征表示,本文提出基于开放式递归自编码神经网络和动态平均池化的句子特征学习算法。实验表明,本文提出的句子特征学习算法可以更好地表示句子的特征。最后,本文实现了一个分布式语义检索系统,能够在分布式环境下进行文本检索。通过使用本文研究的算法,检索系统支持了用句子检索句子等功能,证明了本文研究的价值。