随着互联网技术的飞速发展,文本信息资源不但呈爆炸性增长,同时还蕴藏了大量可利用资源。因此通过机器学习、模式识别、深度学习的相关方法对文本数据进行多维度、多样性以及统计模型的建立,实现对文本数据的分类显得愈发重要。文本的特征提取是文本分类中最需要解决的核心问题,对此本文提出了一种基于图卷积神经网络的主题模型文本分类模型。该分类模型将两种分类算法融合,其中第一种算法主要为解决基于概率的主题模型特征提取方法存在文本主题容易混淆的问题,在传统潜在狄利克雷分布（LDA）主题模型中融入文本类别信息的词频-逆文档频次算法（TF-IDF）,提出Labeled-LDA模型学习文本主题特征;第二种算法中使用图卷积神经网络克服卷积神经网络仅能适用于欧几里得结构数据进行特征提取的缺点,首先利用词共现率学习词项之间的关联性,并且使用BM25学习词与文档之间的关联度,然后构建具有词项、词与文档特征的图结构向量,输入图卷积神经网络提取文本特征信息;最后,将方法一与方法二产生的文本特征信息矩阵多源融合,完成文本分类。通过对新闻文本数据集的实验,实验结果表明:基于图卷积神经网络的主题模型文本分类的精准率为76.4%,召回率为75.2%,F1值为75.8%,较图卷积神经网络文本分类方法精准率提高了3%,召回率提高了3.4%,F1值提高了3.2%,较Labeled-LDA模型文本特征提取方法的文本分类精准率提高了3.5%,召回率提高了1%,F1值提高了2.3%,证明了本文提出的方法能够有效的提升文本分类的准确度。