本文主要对遗传算法以及模糊C均值算法(Fuzzy C-Means，FCM)进行研究和改进，并依据改进的遗传算法和模糊C均值算法，对文本聚类系统进行了设计。FCM算法作为应用最为广泛的一种基于目标函数的模糊聚类算法，思想简单且易于实现，同时具有较明显的聚类效果，但该算法的聚类质量与初始聚类中心的好坏密切相关，易陷入局部最优。而遗传算法由于种群收敛速度和搜索速度的不一致，很容易发生早熟现象，进而影响算法的全局寻优效果。　　本文针对FCM算法和遗传算法存在的缺陷，针对以下方面展开了研究:　　(1)提出了基于动态选择的遗传算法，有效的改进了遗传算法的早熟问题。　　(2)将模糊C均值算法与动态选择遗传算法相结合，利用动态选择遗传算法的全局寻优能力来寻找全局最优聚类中心，进而解决了模糊C均值算法对初始聚类中心较为敏感的缺点。　　除此之外，依据以上研究内容，本文对文本聚类系统进行了设计，使系统获得更好的文本聚类效果。　　实验表明，本文提出的基于动态选择遗传算法的模糊C均值算法在文本聚类系统中可以取得较好的聚类效果。