近年来,互联网技术已趋于成熟,人们生活的方方面面都已经离不开互联网,越来越多人们开始在互联网平台上发表带有自己主观色彩的评论,这个文本信息能为商家和其他用户的行为提供指引,所以研究这些文本背后的情感倾向具有重要的实际意义,同时这些蕴含情感倾向的文本信息是研究情感分类任务的主体数据来源。情感分类任务已成为自然语言处理领域的研究热点,各种情感分类模型被提出,模型的分类性能也有了很大的提升。特别是最近Bert GCN模型因其良好的文本分类性能而受到研究者的关注。虽然情感文本分类任务的研究已取得了很大的发展,但仍然存在一些问题。在为基于GCN的模型构建异质图的时候,如果仅使用语料库中的原始文档,可能丢失一些有效信息。并且,原始数据集中类内文档相似度差异较大时,可能导致构建的文档节点相比于其他类的文档节点没有区分度,进而无法准确进行待测文本的分类。因此,本文构建了一个基于跨文档学习的三流Bert GCN情感分类模型。首先,本文提出了一种针对训练集文本的处理方式:计算训练集文本的类内相似度;根据类内相似度将文档进行组合,得到了组合文档（CD）。这样得到的组合文档类内相似度差异较小,各类文档之间具有较强的区分度;同时这种处理方式,将数据进行了跨文档的组合合并,实现了数据增强,更加充分地挖掘了文本信息。其次,将上述跨文档学习过程（文本相似度计算、依据相似度进行文档组合）重复进行三次,得到了三组组合文档。根据得到的组合文档构建模型异质图,训练得到多个单流Bert GCN模型。最后,将多个单流Bert GCN模型进行了模型融合,得到了最终的多流Bert GCN模型,通过模型融合进一步提高了模型的分类性能。为了验证模型性能,选取了两个数据集（MR和SST）进行测试,并将本文提出的模型与一些典型、先进的模型（比如,基于CNN的模型、基于RNN的模型、图模型和Bert GCN模型等）进行了对比,实验结果表明,在这两个数据集上,本文提出的模型有更高的准确率,表明模型具有更好的分类性能。