立场检测旨在给定的目标话题下,自动判断用户意见文本的立场态度（如支持、反对等）,这对了解民众意愿、政府决策和智能推荐等具有重要意义。目前,深度神经网络模型由于其出色的性能得到广泛的应用,但文本外的大量信息仍未得到很好的挖掘与运用,特别是社交媒体中的用户信息交互等方面。本文的研究内容主要包括以下三个方面:（1）研究基于上下文关联关系的立场检测针对上下文信息交流单一而导致的交互信息易被忽视问题,本文基于逻辑学原理扩充上下文交互信息,并利用图卷积网络构建相应的图结构。首先,采用最大池化、双向长短时记忆网络,提高模型提取文本中的语义特征能力。其次通过自注意力机制动态调整特征权重。最后,通过扩充原始上下文回复关系丰富上下文关联关系,并利用图卷积网络挖掘文本交互信息,提高上下文信息的关联性。实验结果表明,基于上下文关联关系的模型性能较好。（2）研究基于用户关联的立场检测针对用户信息利用不充分且未能有效结合现有文本的问题,本文挖掘文本背后的用户信息,并建立文本与用户信息的语义特征。本文从增强自身信息和关联文本背后信息两方面来提升模型的性能。本文使用注意力机制增强与用户的感知表示,并通过挖掘用户信息构建基于用户的图网络,利用卷积操作挖掘相同用户下相似文本的立场信息,从用户角度提升不同文本间的相似关联。本文在辩论数据集上进行了实验,结果表明了基于用户关联模型的有效性。（3）研究基于依存句法关系的立场检测针对语句中不同成分间联系较弱,模型难以完整地识别语句中不同成分的句法关系问题,本文提出利用依存句法关系增强句子中多个成分之间的信息共享,并设计了一种基于句法依存关系构建的图结构。同时为了解决句中不同成分信息的重要程度问题,本文引入图注意力网络,通过对邻居节点做聚合操作,进一步对不同邻居权重自适应分配,并结合基于用户的图结构,提高立场检测模型的性能。最后,考虑到数据集的普适性与依存关系模型的实用性,本文还搭建了一个基于依存关系的系统,使得系统应用于更广泛的数据集。综上,本文从多层次信息角度出发,通过构建拓展上下文关联关系、构建用户关系和依存句法关系的角度分别对基于图卷积网络进行研究,以解决不同信息利用问题和图模型构建问题。最终,本文提出的基于图模型信息增强的方法取得了一些初步成果,希望这些研究能为立场检测任务带来一些帮助。