目前,移动互联环境下累积了海量短文本数据（如微博、评论、搜索查询、客服问答等）,其中蕴含丰富语义知识,但文本海量化造成了“数据泛滥,知识匮乏”的窘境。因而,对海量短文本数据进行语义解析建模（如特征抽取、模式匹配）与分类以发现数据中存在的隐式关联及依赖关系,从而识别出最终可被人为理解的高层语义知识是极具研究价值和商业价值的课题。但通常,短文本受限于长度因素,其具有词频共现度低、语言不规范、上下文依赖强等特性,因此常规文本分类算法（如向量空间模型等）因忽略词间内在语义联系,存在数据建模高维稀疏等问题,从而严重影响短文本数据建模和分类精度。已有短文本分类研究重点关注如何对短文本数据建模以表示其内在语义特征,目前主流方法有基于递归神经网络的树结构模型、基于循环神经网络的序列结构模型以及基于卷积神经网络的n-gram建模等。但上述方法均存在一定的局限性,比如基于递归神经网络模型构建树结构需要利用外部知识（external Knowledge）或先验信息（prior knowledge）,基于卷积神经网络模型高度依赖特定n-gram特征,而循环神经网络模型则无法有效存储和利用相关依赖信息。针对上述问题,本研究重点关注如何对短文本数据进行有效的语义表征以提升短文本分类精度,因此提出了一种基于“词-短语-句子”的多级层次化表征学习框架用于对短文本数据建模,在框架中利用图注意力网络对短语级（如实体等）的语义特征进行表征学习,同时利用胶囊神经网络对句子级语义特征进行抽取（如情感、句式特征等）,通过重组相关特征并结合句子通用特征以提升短文本的表征能力以及分类精度。通过在意图识别数据集上实验显示,基于图卷积模型得到的词嵌入向量能有效提升基于图注意力胶囊网络的文本分类性能,比如在著名文本分类数据集TREC上准确率能够达到0.948,优于已知基线对比算法。