随着智能化技术的不断演变和社交网络平台的发展壮大,各种类型的信息数据呈指数级增长,增加了传播信息分类和管理的难度。因此当下用人工智能的方法提高文本信息的分类准确度成为了热门研究方向之一。基于传统机器学习的分类方法需要大量的人工成本以及较为专业的理论知识,对如今日益爆发式增长的文本数据难免力有未逮。而基于深度学习的方法可以运用已构建的模型对数据自动进行特征提取,准确提取模型所需要的重要特征,完成对数据的高效处理。深度学习模型中的图神经网络模型因其在分类精度上的优越性广受关注。因此,本文研究基于图神经网络的文本分类算法,针对图神经网络模型中尚且存在的过拟合、特征稀疏和特征多样性不足等问题提出相应的解决方法,以期进一步提升文本分类准确性,本文具体工作有以下三个方面:1.针对图神经网络中利用图文转换特征进行分类,导致其在训练数据集较少时容易出现过拟合的问题。本文综合图神经网络、数据增强方法以及自注意力机制技术,提出了DASA-GNN（Graph Neural Network based on Data Augmentation and Self-Attention）模型。该模型在保留了图神经网络中图形编码特性的同时,使用了数据增强技术,使得模型在少量训练数据的条件下也能保持相对稳定的性能。进一步的,该模型通过引入自注意力机制,加强了原文本中单词级别的相互联系,同时增强了句子层级的文本信息提取,有效改善了图神经网络在文本分类任务中出现的过拟合问题。在不同数据集上的仿真实验结果表明,DASA-GNN模型可以有效提高网络的性能,提升文本分类的准确性。2.为了进一步提升模型的分类准确性,本文考虑更深层次的特征信息,通过在DASA-GNN模型中引入了区域词嵌入技术,在保留原本数据内部结构信息的同时增加了区域特征信息,改进后的DASA-Re GNN（Regional Embedding GNN based on Data Augmentation and Self-Attention）模型进一步加强了词级间的关系,有效捕捉高阶邻域信息并减轻了数据稀疏对模型性能的影响。通过在不同数据集上的仿真实验表明,DASA-Re GNN模型能够有效提升分类的准确性。3.图神经网络可能会因文本数据中缺乏多样性信息导致网络中提取的特征信息不足,为了解决以上问题,可以在网络中引入注意力机制使其忽略数据中无关特征而专注于有效特征,基于此本文提出了Att-DASA-Re GNN（Regional Embedding GNN based on Data Augmentation and Self-Attention with the Attention Mechanisms）模型。该模型在DASA-Re GNN模型中引入了硬注意力机制、软注意力机制以及多头注意力机制,使得模型可以分别提取不同特点的文本和词汇信息。实验表明,Att-DASA-Re GNN模型注意到了文本的特征信息的多样性,使得模型在文本分类的准确性方面仍有优势。