在如今大数据互联网时代,网络上每天都会出现大量的短文本,对这些海量短文本信息的管理成为了一个难点。短文本分类作为自然语言处理中的一项基本任务,如何准确高效的将短文本分类,从而更好地服务自然语言其他任务,一直以来都是研究的重点方向。最近,图卷积网络技术在各领域兴起并在各领域获得了不错的效果,例如在网络分析、智能推荐和生物化学领域等。图卷积网络是一种简单且高效的模型,它能够很好地捕获节点与节点之间的结构信息。最近有研究人员将文本数据表示成图结构,进而可以捕获到文本的全局信息,使其在文本分类领域成为一个新的研究方向。但是,图卷积网络对文本的局部上下文语义信息和局部特征信息提取不足。另一方面,由于传统文本构图方式单一,不能使模型捕捉到文本丰富多样的信息。针对上述两方面不足,本文从构建图卷积网络分类模型和捕获多方面文本特征表示两个角度出发开展研究工作:（1）本文提出一种新的模型,模型首先使用滑动窗口为图中节点添加连边构成文本图。然后利用双向长短时记忆网络（Bi＿LSTM）和卷积神经网络（CNN）混合提取文本的上下文语义信息和局部特征信息去丰富图卷积网络（GCN）的文本表示,同时使用图池化层筛选出重要节点帮助卷积神经网络捕获文本深层局部特征信息,使得模型能更好的表示文本。最后将获得的节点特征表示送入分类器得到分类结果。通过在多个数据集上运行本文模型,分类准确率均比GCN及其他模型有所提升,证明了本文引入Bi＿LSTM和CNN模型的有效性。（2）本文提出一种新的学习模型,该模型使用超图为每个文档建模,通过超边连接多个节点可以捕获单词之间的高阶信息。同时在超图中使用语序、语义和语法三种语言信息为节点之间构造边,这样可以使模型提取到多方面文本特征表示,让学习到的单词向量具有多样性和丰富性,以此提升单词的表示能力。其次使用一个双重注意力机制在节点级和超边级分别捕获重要单词和关键超边,使得关键信息更加突出,增强模型的学习能力。并且以较小的内存消耗获得了更好的模型计算能力。在三个数据集上的运行结果表明,本文构建的多类型边文本图比单一类型边文本图确实捕获到了文本丰富的信息。最后本文还运行相关实验,探究单词嵌入维度和训练集比例大小对实验结果的影响。