随着多媒体技术的发展以及电子设备的普及,数字图像信息的数量呈现爆炸式地增长。人们为了分享生活和保存回忆,将各种图片以及视频信息上传到网络平台。如何管理以及分析这些数据信息就成为了亟待解决的问题。其中以人脸为焦点的照片得到了更多的关注。因此人脸聚类的研究具有重要意义。人脸聚类是将图像根据不同身份类别进行分组的过程。由于人脸图像受到光线、角度、遮挡等外界因素的影响,聚类效果往往达不到人们的预期。近年来,图卷积神经网络得到了深入的研究和广泛的应用。不同于卷积神经网络,图卷积能够学习和推测空间结构信息。本文提出了一种基于图卷积神经网络的完全图人脸聚类模型。该模型利用人脸间的完全图约束关系筛选合适的样本加入到训练集,并在学习过程中推测空间结构的可能性,不断地接近真实的分布。实验结果表明加入上下文信息和空间推测信息,使用图卷积神经网络的人脸聚类模型可以获得更好的聚类效果。人脸聚类方法在分析未标注的大量图片信息中有着重要作用。已有的人脸聚类算法一般是通过启发式算法筛选节点的相关信息,存在数据冗余的问题。同时由于输入的结构信息是固定的,导致模型不能够很好地适应数据分布。本文利用人脸图像间的相似关系,提出了一种基于图卷积神经网络的课程式人脸聚类方法。该方法筛选样本信息,从简到繁的定义训练数据,使用图卷积神经网络更好的学习样本特性并预测结构信息。实验结果表明加入课程式学习方法,使用图卷积神经网络自适应的学习人脸分布能够更准确地把握数据的特性。