各类信息系统每天产生大量富含文本及其链接数据的文档集合,对这些文档集合进行挖掘可快速对其整合。文档分类是文本挖掘的主要任务,目前主流方法使用词表示来获取文档表示,基于词的上下文信息获得词和文档的向量表示,进而实现文档分类。但这类分布式词表示方法仅考虑了词的局部信息,在文档集合标签少和主题分散时性能较差。主题模型考虑全局的语料库信息,获得具有全局语义信息的词表示和主题表示,进而表示文档。图神经网络对词间的交互及文档间的交互建模,从而进行词表示和文档分类。但这些方法需要标签信息且没有利用文档间的交互信息,导致在文本信息质量不高和标签信息不足时分类效果较差。本文基于现有的词表示学习方法、图神经网络分类模型和主题模型的研究,设计并实现了基于文档集合文本信息和融合链接文档网络的文本属性的无监督文本分类模型、算法和实验。主要内容如下:（1）融合主题模型和图神经网络的无监督文档聚类模型Text ING＿TM（Inductive Text classification via GNN Topic Model）:Text ING为每个文档构建词共现文档图,并基于GCN在所有文档词图上学习文档表示,进而通过监督的方式训练文档分类模型。但该方法需要文档标签,且基于词图的文档表示不能学到词的全局特征。因此,提出一种无监督的文本分类模型Text ING＿TM。该模型首先利用ETM学习包含全局词特征的文档表示,对学到的文档主题表示进行Kmeans聚类作为文档的伪类标,再利用Text ING训练文档分类模型。在MR、R8和20NG数据集上分类准确性比ETM提高了1.73%、1.47%、1.1%。（2）利用文档网络的图神经网络文档分类模型Super Gat-gc（Self-supervised Graph ATtention network-Graph Clustering）:DAEGC通过注意力机制学习属性链接网络的图嵌入表示,同时联合Kmeans聚类共同优化部分参数实现无监督文本分类。但该模型的图自编码器部分很难处理带噪声的图。因此,提出一种能缓解噪声图影响的无监督文本分类模型Super Gat-gc。该模型将自编码器的GAT部分更换成Super GAT来学习带噪声图的嵌入表示,同时利用Kmeans聚类实现无监督文本分类。实验表明,该模型在Cora和Citeseer数据集上的分类准确性比DAEGC提高了1.3%、1%。