在数字化时代新趋势下,传媒通信等主要领域信息达到了极速的传播推广,掀起了社交网络的浪潮。用户在各大网络平台快速的收集翻阅信息,如社交网络微博、知乎论坛、以及豆瓣影评等。这类文本内容精简多样,但蕴含着用户的潜在需求、兴趣方向和行为意图等丰富的信息。如何处理短文本信息将其归纳整理提取有价值的知识为人们所用,一直深受研究者的关注。对比于长文本,短文本自身具有的特征过于稀疏,内容短少且对上下文语义具有较强的依赖性。针对以上问题,传统的机器学习模型等短文本分类方法无法得到令人满意的结果。近年来,借助于外部知识库来进行文本数据扩充成为研究热点,以及深度学习模型在自然语言处理（Natural Language Processing,NLP）领域获得了广泛应用如卷积神经网络（Convolutional Neural Network,CNN）、递归神经网络（Recurrent Neural Network,RNN）以及长短期记忆网络（Long-Short Term Memory,LSTM）,它们能够对文本的顺序和位置进行优先考虑,对局部连续单词序列中的语义、语法信息具有非常好的捕获效果。但是忽略了非连续单词和语料句中长距离语义特征的全局依赖关系。目前,一种基于图的方式例如图嵌入或者图神经网络模型引起了广大研究者的关注,图神经网络能够直接处理丰富且复杂的结构化关系的任务,并且有效的完成对图中的全局单词语义特征信息的保留。图卷积神经网络（Graph Convolutional Network,GCN）在自然语言处理领域具有广泛的应用,同时也产生了新的文本图分类的方法。如何在短文本分类中有效地利用全局特征,丰富上下文语义信息成为重点研究问题。本文基于图神经网络的研究基础进行算法改进,主要研究工作以及贡献如下:（1）文本图的构建。我们通过将语料库中的单词作为节点,依据单词之间的共现关系添加边,完成文本图的构建。由于短文本语料特征稀疏,我们还引入外部知识库来丰富节点的信息,从而将文本数据转换为结构图的形式进行文本图分类。（2）扩展短文本语料特征。本文提出了基于图卷积神经网络（GCN）引入外部知识库Word Net对特征同义词进行提取的方法,并通过实验证明了采用知识库扩充特征信息能够有效改善短文本内容精简特征稀疏的问题。（3）基于BERT词向量的图卷积神经网络（GCN）算法的改进。本文提出了BERT+扩充文本+GCN的模型结构,算法思想是融合了外部知识的短文本通过预训练的BERT模型获取含上下文语义信息的特征向量并嵌入到构建的文本图中,使用能够对任意图进行处理的图卷积神经网络（GCN）实现文本转换为文档图的分类。然后通过实验验证了融合外部特征与使用词向量对文本图的节点特征进行扩充,能够有效提升图分类效果。最后与基线模型例如BERT模型和Transformer模型等对比分析,该模型使得短文本分类的准确率更佳,并对文本分类数据进行了可视化展示。（4）基于Bi-LSTM端到端模型的图卷积（GCN）算法的改进。本文提出了Bi-LSTM+扩充文本+GCN的模型结构,算法思想是在扩充文本的基础上利用Bi-LSTM优先考虑单词顺序之间的上下文语义特征结合图卷积神经网络（GCN）对长距离特征的依赖关系进行捕获。然后通过实验证明该模型在短文本分类中比Bi-LSTM和Text GCN等基线模型的准确率更高并且时间复杂度相对较低。最后对该模型的文本分类数据进行了可视化展示。