异质网络表示学习是在各类实体及复杂关系构成的网络中,学习到低维、稠密、独立的向量表示过程,解决了网络分析的高维稀疏和可扩展性差等问题。现有研究大都借助随机游走,依据转移概率进行节点遍历,然而这种方法并不适用于大型复杂网络,且无法确保得到的路径信息最优。因此,对基于结构游走的异质网络表示学习模型进行了研究,具体研究工作如下。首先,针对随机游走方法难以表示出节点完整信息和向量最优解的问题,提出基于结构游走的异质网络表示学习模型（Heterogeneous Network Embedding Based on Structural Walk of Relational Distance,HNE-SWRD）。利用节点与其他各个节点的关系距离生成一个该节点的唯一向量表示,从而完整地表示出该节点的位置信息和语义信息。其次,针对节点的向量表示长度较长且稀疏的问题,提出一个适用于表示向量压缩的自编码器模型（Auto-Encoder Based on Represented Vector,RVAE）。将压缩后得到的低维表示向量作为节点的最终表示向量,并通过分类、聚类任务进行实验验证。再次,为了改进RVAE的压缩性能,结合神经网络,加入残差网络和卷积注意力机制,弥补了卷积核视野的限制,并提高了网络整体特征的提取效率。利用改进后的自编码器与节点结构距离的表示向量相结合,再次进行分类、聚类实验,并与上述结果进行对比。最后,为了进一步提取重要信息特征,借鉴生成对抗网络的思想,在基于残差网络和卷积注意力机制的自编码器的基础上,增加一个判别器结构以提供重要信息特征的梯度。利用加入判别器结构的自编码器对向量进行特征提取,并通过节点分类、聚类任务进行实验对比分析。