随着计算机存储和计算能力的提高,深度神经网络被广泛应用于不同领域解决各种具有挑战性的问题。但深度神经网络的性能严重依赖其结构的设计与超参数的选择,这需要专家花费大量的时间和精力反复试错。神经网络架构搜索旨在为搜索空间中的特定学习任务自动搜索最合适的神经网络架构,减少模型设计过程中人工干预。在神经网络架构搜索过程中,使用任何搜索算法都需要评估搜索空间中候选架构的性能,这个评估过程的时间和计算成本都很高。一种有效的方法是使用性能预测器来估计候选架构的性能。一个训练有素的性能预测器可以有效地加快搜索过程,但基于模型的预测器需要架构和准确率对作为训练数据,而获取这些训练数据非常耗时。而且目前大多数的预测器都只考虑提高对相对性能的预测能力或者绝对性能的预测能力,但在一些搜索任务中,绝对性能和相对性能的预测都至关重要。本文针对如何使预测器充分提取神经网络的结构特征且适用于更多的搜索任务问题提出基于图注意力网络的性能预测器,该预测器中注意力机制用来学习出与性能最相关的架构模式,图神经网络则用来提取神经网络这种图结构的结构特征,且添加全局结点来捕获神经网络作为一个计算图的全局特征。还提出一种新的用于训练预测器的损失函数,将排序损失函数与回归损失函数使用权重超参数结合在一起,使预测器既可以直接地准确预测架构性能值,又可以准确预测哪种架构性能更好。针对预测器如何减少带标签的训练数据而不降低其预测能力的问题,提出了一种基于图同构数据增强的自监督学习方法学习带有语义信息的神经网络结构表示。使用对比损失函数迫使同构的神经架构在特征空间中更靠近,不同构的神经架构则距离更远,消除了邻接矩阵中任意索引的影响,减少了带标签数据的使用。最后,在NAS-Bench-101和NAS-Bench-201这两个神经网络架构搜索领域最常用的两个基准数据集上进行了全监督和自监督的性能预测实验,并基于强化学习和贝叶斯优化两种搜索策略进行了搜索实验,实验结果表明本文提出的方法比其他预测器具有更强的预测能力和指导神经网络架构搜索的能力。