文本分类是指利用海量的文本信息进行准确分类,在垃圾邮件检测、信息检索等领域有着重要作用。在大多数文本分类任务中,文本在内容上的关联关系不仅存在于上下文范围内,还会出现在不连续的文本之间。依靠传统卷积和循环神经网络的深度学习方法能够有效处理上下文范围内连续的文本在内容上的关联,但却忽略了全局上不连续的文本在内容上的关联。图卷积神经网络（GCN）能够有效处理包含丰富关系的任务。基于GCN设计的文本表示与分类模型TextGCN能够有效将文本关系表示为图的形式并进行文本分类,成为图卷积网络模型中分类效果较好的模型。但是TextGCN模型在进行文本表示时没有解决依据词汇的主题含义和上下文关系准确进行词特征表示的问题,同时也没有解决利用多维度的词特征信息准确构建文本特征表示的问题。本文基于TextGCN模型并利用LDA主题模型和Word2vec词特征表示模型对上述问题进行研究。本文的主要工作如下:（1）设计了一种基于TextGCN模型结合LDA主题模型与Word2vec模型使用节点表示文本的文本分类模型（LTGCN）。模型由文本表示模块和文本分类模块组成,文本表示模块由文本关系权重构建和词特征表示两个子模块构成。文本关系权重构建子模块利用LDA模型设计了一种从主题维度构建组成各文本和词汇之间权重关系的策略;词特征表示子模块设计使用GCN进行特征编码,从而依据词汇在文本中的主题含义有效构建出词特征表示;文本分类模块将生成的词特征表示与Word2vec词特征向量相融合以进一步强化词特征的表示能力,并最终使用softmax分类。实验结果表明,LTGCN模型相较于TextGCN基础模型,在Ohsumed和Mr数据集上,分类准确率分别提升了0.99%和0.27%。（2）设计了一种基于LTGCN使用图表示文本的文本分类模型（LGGCN）。模型由文本表示模块和文本分类模块组成,文本表示模块由文本关系权重构建和文本图特征构建两个子模块组成。文本关系权重构建子模块利用LDA模型设计了一种从主题维度构建文本内的词汇关系并构建描述文本内词汇关系的文本关系图的策略;文本图特征构建子模块设计使用一个由GCN和全连接层并联的网络结构,利用该结构对文本关系图进行特征编码并构建能有效表示文本主题信息的文本特征矩阵;文本分类模块使用GCN处理文本特征矩阵形成文本分类特征向量,并最终使用softmax分类。实验结果表明,LGGCN模型相较于LTGCN基础模型,在Ohsumed、R8和R52数据集上,分类准确率分别提升了0.33%、0.73%和1.41%。最后与当前其他基于深度学习的分类方法的分类效果进行对比。