文本分类是自然语言处理中一个基础且至关重要的任务,在情感分析、舆情监测、新闻过滤等方面有广泛的应用。传统的卷积神经网络、循环神经网络等模型缺乏获取非连续长距离语义信息的能力,而且无法处理文本的语义树、句法树等非线性结构数据,最近提出的图卷积文本分类模型可以较有效地解决上述问题。但现有的图卷积文本分类模型还存在以下不足:（1）现有的单通道空域图卷积模型未能有效地利用文本的语义、句法等隐含信息,限制了模型获取多方位文本信息的能力。（2）现有的情感分类模型缺少学习主题与情感之间关系的能力,而图卷积模型由于便于在具有异构性的网络上学习不同类型节点的信息,有望针对情感分类问题学习词、主题与情感类型之间的关系,进一步提升情感分类的效果。针对上述问题,本文主要研究工作如下:（1）提出了一种多通道空域图卷积文本分类模型。该模型在保留原有词汇图的基础上,基于同一语料库使用余弦相似度构建语义图,使用依存句法分析算法构建句法图,从而从文本中提取到有效的语义、句法信息。基于此提出了简单融合、注意力融合两种特征融合方法,提升模型对文本表示的编码能力。在TextLevelGCN、TextING和MPAD三个最新的空域图卷积模型上测试了我们提出的多通道空域图卷积文本分类模型框架的性能。实验结果表明,多通道空域图卷积文本分类模型性能要优于原始的单通道模型,同时两种特征融合方法在不同类型的数据集上均表现出各自的优势。（2）提出了双通道主题特征解耦的图卷积情感分类模型。借鉴争议检测任务中的DTPC-GCN模型具有学习主题与文本之间关系的能力,并可以对主题相关的特征和主题无关的特征进行解耦来学习帖子的争议性类别。我们针对情感分类问题重构了主题-文本-单词文本图,并将该模型迁移到情感分类任务中（称为DTDW-GCN模型）。具体地,我们利用LDA算法为文本生成主题分布,并结合TF-IDF算法和PMI算法构建了主题-文本-单词文本图。多组对比和消融实验结果表明,DTDW-GCN模型能有效提升情感分类任务的性能。在此基础上,我们进一步引入语义信息,利用词嵌入之间的语义相似度构建主题-文本-单词语义图,将我们的双通道图卷积方法扩展到DTDW-GCN上,实现了多任务学习框架下的双通道文本图模型DCDTDW-GCN。实验结果表明,DCDTDW-GCN模型相比于单通道模型具有明显的性能提升。