随着社交网络的迅速发展,每天产生数以百万计的短文本,其中包含兴趣、意图等各种有价值的用户相关信息。因此,短文本信息挖掘与分类具有重要的实际应用意义。然而,短文本具有特征稀疏、噪声高等特点,使得很多机器学习方法应用于短文本分类时出现性能下降问题,同时,许多神经网络模型在训练时依赖大量标记样本,但是现实中,获得大量标记数据十分困难。基于以上原因,小样本条件下的短文本分类成为自然语言处理领域的研究热点之一。因此,研究面向小样本的短文本分类方法具有重要的理论价值与现实意义。文本数据增强技术可以有效解决小样本条件下标记样本不足的问题,但是目前文本的数据增强方法操作单一,较少考虑短文本篇幅短小、特征稀疏等特点;针对短文本特征稀疏问题提出的语义增强方法大多从单维度考虑,语义增强不够丰富,易丢失短文本语义信息;目前被证明能够进行高质量节点分类的图卷积网络对于异构图研究较少,且基于图卷积网络的小样本学习方法较少关注短文本分类和因标记样本过少引发的过拟合问题。针对以上问题,本文从面向小样本的多重数据增强、面向短文本的多维度语义增强、基于异构图卷积网络的小样本短文本分类模型构建三个方面展开研究。主要工作和成果如下:（1）提出了面向小样本的多重数据增强方法从短文本的词语级、短语级、文本级三个层次,设计多重数据增强方案,适量增加标记样本数量,降低小样本条件下标记样本不足对分类模型造成的影响。设计融合词语重要性的词语级数据增强算法,充分考虑不同单词的重要性,降低数据增强时随机注入的噪声信息;探索基于同义短语替换与高倍回译的短语级数据增强方法,在最大程度保留短文本语义信息的基础上,进一步增强小样本短文本数据集;设计基于GPT-2语言模型的文本级数据增强算法,充分利用预训练语言模型的优异性能进行文本生成,并引入半监督文本分类模型过滤新文本,保证数据增强时同质异构的变化,避免引入过多噪声数据;设计对比实验,结果表明面向小样本的多重数据增强方法从数据层面有效缓解了小样本条件下标记样本不足的问题。（2）设计了面向短文本的多维度语义增强方法从文本表征、实体、潜在主题三方面,研究了短文本多维度语义增强方法:提出融合XLNet多层特征的语义增强算法,提取XLNet模型中存储短语级信息、语法和语义信息的多层特征编码作为短文本表征矩阵;设计基于语义匹配实体链接的语义增强算法,提取实体和实体描述内容,以丰富短文本语义信息;设计基于词对降噪主题模型的语义增强算法,用于挖掘短文本潜在主题信息,进一步扩展短文本语义特征;设计对比实验,结果表明所设计的三种语义增强方法有效解决了短文本特征稀疏问题。（3）设计了基于异构图卷积网络的小样本短文本分类方法针对小样本条件下标记样本数量稀少和短文本上下文信息缺乏、语义特征稀疏的问题,设计基于异构图卷积网络的小样本短文本分类模型:在表示层,基于所提出的多重数据增强方法,适量增加标记样本数量,并利用所设计的融合XLNet多层特征的语义增强算法将短文本转为表征矩阵;在语义增强层,基于所提出的多维度语义增强方法构建短文本异构信息网络STHIN,实现短文本多维度语义增强,解决短文本特征稀疏问题;在图卷积层,构建异构图卷积网络HGCN,采用随机去邻策略,增加短文本异构信息网络的随机性和多样性,缓解过拟合问题,同时,设计融合多类信息的异构图卷积传播规则,充分考虑多种类型节点和关系的消息传播,实现STHIN中文本节点特征的有效更新,并设计基于STHIN特点的双重注意力机制,以捕获STHIN中不同节点语义信息的重要性;设计对比实验,结果表明本文所提出的面向小样本的短文本分类模型在小样本短文本分类任务上取得了具有竞争性的效果。