图数据描述个体与个体之间的关联关系,在我们的日常生活应用中广泛地出现。图数据潜藏着大量有意义的信息,近年来,图数据的分析和挖掘是人工智能领域的一个热点,而图节点分类是图数据挖掘中最重要的研究方向之一。图节点分类通过对现实中具体任务进行建模,挖掘图的节点特征信息和节点间的连接信息,实现对节点的标签分类。图神经网络在学习非欧里几得数据时具有明显的优势,是实现图节点分类任务有效的神经网络模型。然而,随着图数据愈加庞大和复杂化,设计一个面向图节点分类的高性能图神经网络模型成为一项非常困难的工作。因此,本文探究采用神经网络架构搜索方法设计面向复杂多样的图节点分类任务的图神经网络模型。本文主要研究工作如下:（1）针对图节点分类任务架构设计的困难以及缺少对计算复杂度的约束,本文提出了轻量级图神经网络节点分类架构搜索方法。首先,针对图节点分类模型消息传递过程的聚合和激活等功能的选择和组合对模型性能的影响,以及超参数的选择优化问题,本文提出面向图神经网络节点分类的架构搜索空间;其次,针对图节点分类过程计算成本,提出一种衡量计算复杂度的标准;最后,采用多目标粒子群优化算法,对图节点分类的性能和计算复杂度两个目标进行架构搜索优化,设计轻量级的图神经网络节点分类模型。（2）随着图数据的复杂和大规模化,图节点分类任务需要图神经网络加深层次来加强网络的表达能力。针对基于复杂大规模图节点分类任务的图神经网络层数越深,架构设计越复杂等问题,本文提出了一种深度解耦图神经网络架构搜索方法DGNAS。方法基于图神经网络架构组合解耦模式,设计出基于特征转换和信息传导两个操作的深度图神经网络架构搜索空间。同时,对深度图神经网络的信息传导聚合过程,采用粒子群优化算法进行自适应优化。通过DGNAS设计针对不同规模的复杂图节点分类任务的深度图神经网络模型。实验验证了本文所提出的两个图神经网络架构搜索方法对多种图节点分类任务问题的分类效果提升的有效性,同时,所搜索设计的分类模型具有更低的计算消耗。