随着互联网的发展,尤其是随着各类如微信,QQ等社交媒体的快速发展,互联网短文本的数量以爆发的趋势快速增长。而短文本分类是自然语言处理中一个重要的研究课题,短文本分类广泛的应用在对文本的主题分类,用户评论的情感分析,以及对网站评论,邮件标题的垃圾检测中。短文本分类也是自然语言处理中的一个基本任务,与普通文本或者长文本不同,短文本有自己明显的特征,主要包括如下:一方面,短文本,一般来说是在150个字以及以内的文本,短文本主要出现在社交媒体,网站评论,文章标题,及短信微博中;另外一方面,现在互联网中的短文本有噪音大,更新快,并海量产生的特点。短文本算法的分类,主要有以下几个类别,分别是,规则型短文本分类算法,机器学习短文本分类算法,深度网络短文本分类算法和图学习短文本分类算法。在深度学习的发展下,越来越多的深度学习算法被成功应用在短文本分类中。深度学习能够有效的对短文本进行建模和分类,然而,由于短文本本身稀疏性和关键词多义性,存在变体或者变形词的问题,如何对短文本进行更加有效的分类仍然是一个比较大的挑战。本文围绕着短文本特有的稀疏性问题和短文本关键词常常一词多义影响分类结果的问题展开深入研究,主要研究工作如下:（1）针对短文本中关键词多义性和稀疏性的问题,文本创新性的提出了上下文敏感的主题记忆网络（cs-TMN）,该网络利用上下文敏感的词向量表示和全局主题知识进行短文本的分类。其中,上下文敏感词向量主要由局部上下文表示和全局主题表示构成,可以有效的解决短文本中一词多义的问题,然后,利用上下文敏感词向量进行匹配内容相关的主题知识,来解决短文本稀疏性的问题。（2）随着图神经网络和深度学习的发展和结合,短文本分类也可以利用图神经网络来进行分类和分析。本文提出一种传导性图卷积神经网络短文本文本分类算法（STGCN）,同时,针对短文本的稀疏性问题,本文在构建图的时候,利用主题模型,将相关的主题信息也作为图的一部分,有效的缓解短文本稀疏性的问题。同时算法将STGCN得到的词向量和文档向量和最近最新的大规模语言模型BERT生成的词向量结合。一起输入分类器中得到最终的分类结果。（3）最后,为了进一步的有效解决短文本的稀疏性问题,本文提出了将外部知识作为特征补充,提出了一种基于门控的图神经网络的文本分类方法。具体来说,算法首先从Microsoft Concept Net、Freebase和Sentic Net等外部知识来源检索知识。然后,利用多头知识注意对相关知识进行匹配,降低检索到的知识的噪声。最后,之前的研究者的工作很朴素地将知识节点纳入到连接密集的文本图中,这样会给每个连接分配相等的权值,不可避免地导致性能下降。相比之下,本文提出了门控图神经网络的一个变种,增加了一个注意力聚集函数,可以有效的对不同重要程度的邻居节点进行聚合。综上所述,本文主要研究了基于深度神经网络和图学习神经网络的短文本分类算法,其中,针对短文本特征稀疏和关键词多义的问题,本文提出了三种网络框架来对短文本进行有效分类。并且这三种短文本分类深度学习和图学习算法,可以很有效的应用到各种短文本分类任务场景,比如医疗对话,医疗文本的分类和分析。