La clasificación de texto de pocas muestras tiene como objetivo reconocer nuevas clases con solo unas pocas instancias de texto etiquetadas. Los estudios anteriores principalmente utilizaron características semánticas de texto para modelar la relación a nivel de instancia entre muestras parciales. Sin embargo, la información de relación única hace que sea difícil para muchos modelos abordar tareas complicadas de lenguaje natural. En este documento, proponemos un novedoso modelo de red neuronal de grafo difuso vacilante (HFGNN) que explora las relaciones multiatributo entre muestras. Combinamos HFGNN con la Red Prototípica para lograr la clasificación de texto de pocas muestras. En HFGNN, múltiples relaciones entre textos, incluidas las relaciones a nivel de instancia y a nivel de distribución, son descubiertas a través de redes neuronales de grafo duales y fusionadas por la teoría de conjuntos difusos vacilantes (HFS). Además, diseñamos una función lineal que mapea las relaciones fusionadas a un rango más razonable en HFGNN. Las relaciones finales se utilizan para agregar la información de los nodos de instancia vecinos en el grafo para construir características de instancia más discriminativas. Los resultados experimentales demuestran que la precisión de clasificación de la Red Prototípica basada en HFGNN (HFGNN-Proto) en los conjuntos de datos ARSC, FewRel 5-vías 5-muestras y FewRel 10-vías 5-muestras alcanza el 88.36%, 94.45% y 89.40%, respectivamente, superando los métodos existentes de aprendizaje de pocas muestras de última generación.