作为一种在现实物理世界和虚拟网络空间中普遍存在的现象与结构,复杂网络在经济社会诸多领域得到了人们的广泛关注和深入研究。复杂网络主要由节点和连边构成,每个节点在复杂网络中发挥的功能不尽相同,因此重要度也存在着显著差异。识别出网络中的关键节点对于控制,保护网络的结构和功能至关重要。当前复杂网络中关键节点的识别方法已经有了很多研究成果,但大多节点重要性识别方法都是从网络的结构属性这单一方面出发,通过提出一种指标:如度中心性,或者融合已有的多个指标去评估节点的重要程度,忽略了对节点自身属性和拓扑结构的综合考量,在多指标融合时权重的选取也存在一定的主观性。随着大数据时代海量数据的积累,复杂网络的规模呈现指数级别的增长,传统的重要节点挖掘方法由于计算复杂度较高或仅适用于部分特定的网络,已经无法满足现实需求。随着深度学习在图像、语音等领域的出色表现,一些研究者将深度学习技巧应用于网络结构的学习,提出了图神经网络。图神经网络在图网络的分类、社群发现和链路预测等任务中都取得了优异的表现。基于当前复杂网络中重要节点挖掘方法的局限性以及图神经网络的优越性,本文提出了一种基于图自监督神经网络的重要节点挖掘方法（RDGNN）。它借鉴了自监督学习中生成类辅助任务的想法,综合考虑节点的拓扑特征及其自身属性,利用图神经网络框架学习网络中节点的重要性。该方法通过对网络中节点的结构信息进行扰动再重构,将重构图与原始图的差异作为该节点的重要性指标。重构图与原始图的差异越大,说明该节点对于整个网络的结构和功能影响越大,该节点的重要程度越高。遍历网络中的所有节点后,可以得到节点的重要度序列。本文将该方法在三个真实网络中进行了实证研究,并与其他节点重要度评估指标进行对比:计算RDGNN方法结果和其他指标结果的Kendall相关系数来衡量RDGNN方法与其他指标的相关性;运用易感感染恢复（SIR）模型模拟网络的传播扩散过程以及计算按重要性从大到小依次删除节点后网络连通子图的变化情况来模拟节点对于网络的真实影响,反映RDGNN方法对于重要节点挖掘的准确性。实验结果表明,RDGNN方法对重要程度较高的节点排序性较好,能够挖掘出具有较长潜伏期,后期影响范围更广的重要节点,这些关键节点对于网络信息传播的影响更加深远,对于网络结构的“破坏”程度明显高于介数中心性、紧密度和特征向量中心性。