随着人机界面应用的指数式增长,文本分类已成为自然语言处理（NLP）研究的主要重点。在过去的几年里,深度学习已经彻底改变了许多机器学习任务,包括图像和视频处理、语音识别和NLP。这些任务中的数据用典型的欧几里德空间表示。然而,越来越多的应用程序将数据从非欧几里德域中生成,并用具有复杂关系的图形表示,以实现对象相互依赖。图形数据的复杂性给现有的机器学习算法带来了严重的障碍。因此,近年来出现了许多研究来试图解决扩展基于图形数据的深度学习的问题。本文的研究主要是针对图结构数据的半监督学习的一个改进版本。为了克服图卷积网络（GCN）的不足,即信息丢失和不精确的信息表示以及可接受的计算开销,提出的量子图卷积网络（QGCN）可以增强GCN在半监督节点分类任务中的作用,并且扩大了推广范围在训练过程中,通过使图产生较小的随机扰动,使过程具有显着差异。Δ,在所提出的方法中,本文将量子信息论与GNN结合在一起,为了预处理图的邻接矩阵,建立了一种新的公式以合并高阶邻近度。对三个基准数据集（citeeser、Cora和PubMed）的评估结果表明,该模型在计算精度方面优于现有的GCN和其他三种基于相同算法的方法。本文共分为五个部分:第一部分介绍了文本分类和研究现状。第二部分考察了早期对文本分类所做的努力,并详细解释了预处理和多标签分类技术。第三部分介绍了一种新的方法,并用图解说明了所提出模型的处理过程,并用实证方法进行了说明。第四部分是利用所提出的量子QGCN得到的结果及其与以前的模型如GCN、GCNT、FisherGCN和FisherGCNT的比较。最后,在最后一节中得出我们的结论。