超图在现实场景中拥有高阶建模能力，近年来超图深度学习的方法被用于超图数据的半监督分类任务。但当前的超图神经网络仍存在不足：在多层卷积节点邻域扩张过程中引入噪声会导致难以提取具有鉴别力的特征；在传统多通道卷积过程中存在比较高的模型复杂度。为解决上述问题，提出一种联合图卷积和超图卷积的神经网络。在原始超图数据上采用超图卷积提取高阶相关信息；将超图构建成图，并将获取的高阶节点特征与图结构相结合；在节点的一阶相关邻域内利用图卷积聚合局部信息分别在3个引文网络中进行节点分类实验。实验结果表明，相比现有算法，所提算法能获得更高的分类精度，且参数量和训练时间约为传统多通道超图神经网络的一半。