近年来,在数字化时代的背景下,随着网络信息技术在社交媒体、电子商务、信息检索和推荐等领域的广泛应用,互联网上复杂文本的数量呈指数增长,例如书籍/电影评论、在线新闻、产品介绍、电子邮件等,在大数据时代,非结构化文本数据的存在为数据的处理和管理提供了丰富的信息来源,如何更加有效地对文本数据进行处理、分类并挖掘有价值的知识,长期以来一直是工业界和学术界关注的焦点。目前,文本分类方法主要包括传统的机器学习方法和基于深度学习的方法。传统的机器学习方法通常使用特征工程和浅层机器学习分类模型的方式进行文本分类,但人工特征工程依赖领域知识,文本特征表达能力较弱,在文本分类中并没有取得令人满意的结果。随着深度学习模型算法在自然语言处理（Natural Language Processing,NLP）领域的广泛应用和不断发展,为了从文本数据中提取更好的特征,诸如Word2vec、Glo Ve等分布式表示模型和以卷积神经网络（Convolutional Neural Network,CNN）、循环神经网络（Recurrent Neural Network,RNN）为代表的深度学习模型已被用于学习文本数据表示和分类,与传统的文本分类模型相比,这些模型取得了显著的改进。虽然这些深度学习模型优先考虑局部性和顺序性,能够捕获文档中的局部语义顺序信息,但在具有非连续和长距离语义的语料库中,忽视了语料库文本中的全局词共现关系。最近,图神经网络（Graph Neural Network,GNN）引起了学者的广泛关注,GNN能够有效地处理具有丰富关系结构的任务,并保存图的全局结构信息,此外,GNN可以为自然语言文本中的复杂语义关系建模,被广泛用于文本分类、语义角色标记、机器翻译等NLP任务。但基于GNN的文本分类方法忽视了文档的上下文顺序信息,其次,由于过平滑问题,GNN在文本中的应用层数较浅,无法捕捉文本图中节点之间的远距离依赖信息。如何在文本分类中有效融合文档中单词的上下文顺序特征和文档图中单词的结构特征并构建一个更深层次的图神经网络成为了本文的研究重点。本文通过改进图神经网络算法进行文本分类,主要研究内容和工作如下:（1）序列特征传播方案。本文提出了一种基于序列的特征传播方案,用于文本分析和表示,语料库中的每一个文档都被训练成一个单独的文档图,学习文档中每个单词的上下文顺序特征和图结构特征并得到文本表示。（2）深层图神经网络构建。本文通过解耦图卷积神经网络（Graph Convolutional Network,GCN）中的特征变换和传播过程,并利用注意力机制自动提取网络中每层的信息,完成深层GNN的改进,称为DGNN。（3）基于Bi-LSTM（Bidirectional Long-Short Term Memory）的序列图神经网络模型。本文提出了融合Bi-LSTM的图神经网络算法模型,通过利用Bi-LSTM捕捉语料库文档中单词之间的上下文语义顺序特征以及DGNN对文档图中单词节点之间的结构特征的提取进行文本表示,并在开源的英文文本分类数据集上与Bi-LSTM、Text GCN等基线模型进行实验对比分析,显示了本文模型的优势。（4）基于BERT（Bidirectional Encoder Representation from Transformers）的序列图神经网络模型。本文提出了融合BERT的图神经网络算法模型,算法思想是通过利用预训练的BERT模型获取语料库文档中每个单词含上下文语义顺序信息的特征向量,并作为文档图的初始嵌入特征,从而使用DGNN模型实现文档图的分类,通过与BERT、Transformer等基线模型的对比分析验证了本文模型的有效性。