随着中国多层次市场的不断健全,投资者和消费者学会使用数据分析工具辅助投资,深入了解行业变化,改进投资策略。行业分类问题作为金融领域研究的基石,是学者的重要研究对象,也是企业着重关注的指标。现有的金融行业分类方法依赖于及时的专家维护和公司完全公开透明的信息,消耗时间和精力,不利于投资者追踪企业动向,也不利于企业及时调整自身定位。为了弥补以上问题,本文提出了完全的以数据为驱动的行业分类任务,特别地,构建了针对具有信息不透明特性的中小企业的行业分类数据集,主要研究内容是引入知识图谱,提升中小企业行业分类的准确性的任务。本文首先针对中小企业行业分类任务,分析了行业分类任务本质上是一个具有挑战的专业领域文本分类任务,论述了研究的重要意义。基于金融垂直领域文本,本文提出了一种知识图谱增强的文本分类方法,创新性地提出了在微调预训练语言模型阶段引入整体的局域知识图谱的方法,在金融领域文本的对比试验中达到了最好的成绩。现有的文本分类模型需要引入外部知识增强对专业领域词汇的理解,同时,现有的引入知识图谱知识的预训练语言模型需要大量数据和资源进行预训练,不利于直接应用于下游任务。本文首先研究了基于实体链指的局域知识图谱构建技术,提出了基于流水线的实体链指模型,在百度“千言数据集”实体链指评测任务上验证了模型的先进性。其次提出了知识图谱增强的文本分类模型KGEB,针对局域知识图谱节点出入度差异较大和无法传递自身信息的缺点,引入优化的图神经网络模型表示局域知识图谱的节点,针对知识图谱表示和文本表示异质性的问题,构建注意力机制将知识图谱节点融入BERT模型的词向量层中。KGEB模型无需设计预训练任务,节约了时间和空间成本,融合了知识图谱信息和文本信息进行预测。由于实际环境缺乏相关数据集,本文创新地基于全国中小企业股份转让系统（NEEQ）中的企业构建了数据集,该数据集包含了17604条商业模式描述文本及对应的行业类别标签,时间跨度为三年,体现了中小企业在其主营业务上摇摆不定的特点。本文提出的KGEB模型在该数据集的对比试验中,性能超过了其他对比试验,Macro-F1值达到了90.89%。