机器学习在图像、文本以及语音等欧式空间数据上已经取得了显著的成果,而在非欧式空间数据上的研究相对较少,但是以图网络数据为代表的非欧式空间数据存在于生活的各个方面,比如社交关系网络数据、交通数据和生物化学领域中的分子结构。基于图网络数据的信息挖掘任务主要有图分类、链路预测和节点分类等,但是,由于图网络数据不满足平移不变性,传统的机器学习模型不适用于这类任务,因此研究适用于图网络数据的机器学习算法成为近年的研究热点。在早期手工提取特征的时代,研究者们基于统计分析方法根据规则来获取图数据上的特征信息。如今,已经有许多基于图神经网络的机器学习算法和深度学习算法,但是仍存在一些亟待解决的问题,如随着网络层数的增加会出现过度平滑问题使节点表征变得不可分。本文基于解决深层图神经网络在训练过程中出现过度平滑问题提出了两个不同的解决方案:一个是基于已有的研究上进行改进,对BernNet进行了拓展研究;另一个提出一种新的深层图卷积神经网络框架 BoostResGCN。对原始BernNet进行了两种拓展研究。首先,考虑到原始BernNet进行系数非负约束使用的ReLU函数在零点的不可导性,我们使用ReLU函数的平方函数替换ReLU函数。实验证明加平方后的模型在多个数据集上取得了最好的表现。此外,BernNet在对模型系数进行非负约束会存在模型表现能力不足等问题。因此,我们去掉了系数的非负约束,实验证明即使没有系数约束,模型的表现与有非负系数约束模型的表现差别不大,在部分数据集上甚至更好。对于深层图卷积神经网络框架BoostResGCN,我们以图卷积神经网络GCN为残差块,采用提升算法理论搭建了网络框架。训练模型采用逐层训练的策略,因此最终模型的分类器相当于集成了多个弱分类器。我们还对不同的残差连接方式进行了探讨,实验证明BoostResGCN 比不使用Boosting理论框架的深度图卷积神经取得较好的分类效果,采用相加的残差连接相对平稳且用时较少,BoostResGCN在对抗过度平滑问题上取得一定的成效。