移动互联网的普及加速了信息的传播效率,而网络中的信息大多以文本的形式存在。作为自然语言处理的基础任务之一,文本分类被广泛应用于新闻分类、搜索匹配、信息过滤及情感分析等领域。文本分类依然存在以下难题:一方面,当标签数据稀少时,基于有监督的机器学习或神经网络分类模型无法获得充分训练;另一方面,文本比较简短时,单词上下文稀疏,语义信息缺失。针对以上问题,本文重点研究基于图神经网络的半监督文本分类算法。图神经网络具有其良好的半监督特性及全局信息捕获能力。本文将基于图神经网络开展直推式与归纳式半监督文本分类算法研究。其中,直推式半监督学习能充分利用所有未标记数据,归纳式半监督学习能对新文本进行实时分类。本文主要贡献如下:（1）基于图卷积网络的自训练半监督文本分类算法针对如何在少量标签数据下便捷地提高模型的文本分类性能这一问题,本文研究了基于图卷积网络的直推式半监督文本分类算法。首先,算法将整个文本语料构建为包含单词与文档两类节点的图结构,充分利用了所有未标记数据的语义信息。然后,算法计算每个单词的歧义程度作为单词的置信度,单词置信度被加入图的边权重计算中,削弱了歧义词的边权重,从而减小了歧义词的影响。最后,一些高置信度的单词作为文本中的关键词被自动标记为伪标签节点加入训练集中,这些标签信息会随着图卷积运算在图上进行传播,提高了分类性能。实验结果表明,相较于现有文本分类模型,本文算法的分类准确率在各数据集上均获得了提升。（2）基于图注意力网络的句子级半监督文本分类算法针对（1）中将整个文本语料构建为图结构进行文本分类存在占用过多内存,以及无法对新文本实时分类的问题,本文研究了基于图注意力网络的归纳式半监督文本分类算法。首先,算法将输入句子与抽样获得的文本一同构建为只包含单词节点的图结构,抽样文本的加入使算法能利用未标记文本来丰富单词上下文信息。然后,算法利用N-gram与语法依赖多角度建立单词之间的关系,扩充了图网络的边。最后,基于多头注意力的消息传播机制自动聚合邻居节点的有效信息。节点信息设置为全局共享,从而支持批训练与新文本实时预测。实验结果显示,算法在多个数据集上达到了现有文本分类模型的最好效果。（3）基于关键词的图神经网络实时文本分类器针对现实中文本分类领域或者标签时常发生变化,从而需要对大量数据进行重新标记这一问题,本文基于上述两个图神经网络算法设计了实时文本分类器,并实验评估分类器的实时分类性能。实验结果表明,分类器只需标记少量单词就可以对新文本实现快速正确的分类,验证了本文提出的分类算法具有良好的应用前景。