短文本分类旨在针对不超过160个字符的文本进行规律发现和自动分类,已经成为越来越重要的研究课题,同时面临短文本的稀疏性、不规范性、上下文语境缺失等挑战,分类效果有待提升。目前基于深度学习的短文本分类方法较为流行,其核心旨在利用深度学习以端到端的方式自动从文本上下文中学习词、句、文档等多级别语义特征,从而更好地分类。但此结构仍存在以下亟需解决的问题:（1）文本语义学习仅利用词上下文和词在文本中的共现,未建模文本中同一主题下长距离词的依赖以及不同文本通过共享潜在主题而存在的关联,影响了短文本高层语义学习。（2）仅包含词和文本节点的图结构不能准确表达短文本中关键语义,且各层次语义融合和抽取机制亟待完善。针对上述问题,本文开展基于文本图结构的短文本分类方法研究,其核心是通过引入主题、实体等构建异质网络来学习不同级别的高阶语义,并进一步设计层次注意力机制以捕获关键级别语义及其关联,从而更好的分类。具体研究工作如下:首先,针对现有分类方法未考虑同一主题下长距离词的语义相关性和文本间潜在主题共享的问题,提出一种基于词-主题-文本异质图结构的短文本分类方法。方法首先通过Word2vec训练词的上下文语义向量;其次构建词相关性矩阵以充足的词共现信息挖掘潜在主题;最后构建以词、主题和文本为节点的异质网络（WTDHN）,并采用图卷积学习节点间的高阶邻域信息。相较于基准分类模型,该方法在五个通用短文本数据集上的分类准确率平均提高1.56%,F值平均提高1.74%。其次,针对词-主题-文本异质图结构中较为关键的词语义特征表达不够充分,开展异质图结构中融入实体表示的短文本分类方法研究。该研究通过将WTDHN中关键词节点映射为知识图谱中的实体表示,构建实体-主题-文本异质网络（ETDHN）以合并实体、主题和文本等之间的语义依赖关系;在ETDHN上进行卷积操作并引入层次注意力机制以更细粒度抽取关键级别语义。最后通过随机去邻边方法在异质网络中引入适量噪声信息,增强了方法的鲁棒性。相较于基于词-主题-文本异质图结构的短文本分类方法,该方法在三个通用短文本数据集上的分类准确率平均提高3.83%,F值平均提高3.3%。