文本分类作为自然语言处理中最为基础的任务,文本分类的粒度决定了下游任务如智能问答、关系抽取完成的质量。文本分类的实际应用场景包括搜索引擎中的网页分类、电商平台的商品分类、短视频平台的视频分类等。目前基于深度学习的文本分类方法能够自动提取非线性的文本特征而取得较高的分类精度,已经成为了主流的方法。其中卷积神经网络（Convolutional Neural Networks,CNN）作为局部最优的经典网络,擅长对短文本进行分类,但是CNN存在着长距离依赖的问题而不能有效处理较长文本。基于图卷积神经网络（Graph Convolutional Networks,GCN）的方法利用图对整个语料库进行聚合来获取文本的全局特征,从而解决了其他卷积网络在长文本分类上性能不佳的问题;然而GCN在短文本分类中表现一般,这是因为在构建文本图时短文本贡献的节点和边过少,不利于信息在图中传递,进而使网络不能从较短文本中获取有效的特征。因此一些高性能的语言模型（Bidirectional Encoder Representation from Transformers,BERT）和混合卷积模型被提出来提高长短文本分类效果,这些模型却又存在着结构复杂、计算量大的问题。针对现有研究中单一卷积模型文本特征表示能力有限,高性能混合模型网络结构复杂的问题,本文的主要研究内容如下:（1）针对单一卷积模型如GCN和CNN的特征表示能力有限的问题,本文对如何构建能同时提取文本的全局和局部有效特征的文本分类模型展开研究,提出了一种基于层级注意力的混合卷积网络文本分类模型。该模型并列组合一维卷积层和图卷积层成为并列混合卷积单元（Parallel Hybrid Convolution unit）,PHC中融合了从一维卷积中得到的包含语义信息的局部文本特征和来自图卷积的全局文本特征,在此基础上还引入了层级注意力和图节点重要性评价方法来加强PHC的特征提取能力。与最新基于图神经网络和词嵌入的主流方法相比,该方法在长文本数据集Ohsumed和短文本数据集MR上取得了约3%的准确率提升,在长短混合的文本数据集R8和R52上也取得了约1%的准确率提升,证明了该方法能够同时有效对长短文本进行分类。（2）针对现有混合模型结构复杂、计算开销大的问题,本文对如何构建分类性能高、时间空间复杂度低的文本分类模型进行研究,提出了一种基于简化Boosting的混合卷积网络文本分类方法。该方法使用分层学习的思想,串行组合一维卷积层和图卷积层为串行混合卷积单元（Serial Hybrid Convolution unit）,SHC中图卷积作为浅层网络获取文本的全局特征,一维卷积作为深层网络获取局部特征,并提出了简化的Boosting算法（simplified-Boosting）来解决网络层数加深带来的计算量大和训练时间长的问题。该方法与最新基于图神经网络的方法相比,在长文本数据集Ohsumed取得了2%的提升,在短文本数据集MR上取得了约8%的提升,在长短在长短混合的文本数据集R8和R52上取得约2%的提升;与高性能混合网络VGCN-BERT相比,该方法的分类准确率提升了约1%,网络层数减少一半,参数量和时间开销减少约10倍。