文本分类是自然语言处理中一个经典而重要的主题。如今,每天都会产生海量的文本信息,为了更加有效地利用这些资源,对文本的准确分类显得十分重要。现存的很多文本分类方法都侧重于如何表示文本,然后使用传统算法或深度学习方法进行分类,但是这些方法假设文本之间相互独立,并没有考虑文本与文本、文本与单词之间的相互关系,因此不能有效处理类似引文网络的文本分类问题。实际上文本之间的引用关系比较重要,有助于提高分类结果,对此本文提出了基于图卷积网络的文本分类方法。首先,介绍了文本分类基本流程和所需的基础知识。然后,使用稀疏表示的重构系数来构建文本与文本的关系,采用TF-IDF来评估单词对文本的重要性,从而构造了一个包含文本和单词的图结构数据,邻接关系通过邻接矩阵来表示。接下来,基于谱图理论,卷积神经网络被泛化为可以直接处理任意图结构数据的图卷积网络,提出了基于图卷积网络的半监督的文本分类方法,在不同数据集上的实验都取得了不错的分类准确率,对影响分类效果的因素进行了分析,并指出有词编码的作用。最后,由学习到的词编码给出文本的图表示,引入有参数的图池化方法,在此基础上提出了有监督的图分类模型用于文本分类,在MR数据集上的实验证明了方法的有效性,以及间接验证词编码的质量。本文的研究成果包括采用稀疏表示来构造图结构数据,引入了有参数的图池化方法,提出了两种基于图卷积网络的文本分类方法:一种是半监督的节点分类模型,一种是有监督的图分类模型,且两种方法取得不错的效果。