图匹配在计算机视觉、工业制造、生物信息学等领域有广泛的应用,比如行人重识别、汽车制造、药物开发,它能够根据结构相似性在两个物体或图像之间建立准确的匹配关系,给行业带来了极大的效益。但是,现有的图匹配算法存在易受噪声、外点和形变干扰的问题,导致算法缺乏鲁棒性;另外存在构造的相似度矩阵不准确的问题,从而对匹配准确率产生负面影响。因此,本文提出了两个新的基于图神经网络的图匹配算法,本文主要的研究内容和创新点如下:（1）针对现有算法易受噪声、外点和形变干扰而缺乏鲁棒性的问题,本文提出了结合几何信息和三元组损失函数的图匹配算法。首先利用节点的度构造权重矩阵,再基于图神经网络并结合该权重矩阵完成节点的嵌入。其次,利用边两端节点特征的夹角余弦值完成边的嵌入。最后,使用结合三元组的联合损失函数增加正样本之间的距离约束。该算法不仅仅能够提取图结构的几何信息来完成节点和边的嵌入,还能够通过联合损失函数引导算法模型调整嵌入的结果。（2）针对现有算法构造的相似度矩阵不准确而影响匹配准确率的问题,本文提出了结合节点关注度和虚拟节点的图匹配算法。首先利用跨图注意力机制计算两个图上节点之间的关注度,得到节点关注度矩阵。其次,通过全连接的方式在两个图中分别引入一个虚拟节点,以加强图上信息的流动,再使用图神经网络完成节点和边的嵌入。最后,根据节点关注度矩阵、节点和边的特征构造相似度矩阵。该算法能够利用跨图之间的节点关注度信息、更丰富的节点和边的高维特征完成相似度矩阵的构造。（3）本文在Pascal VOC、Willow Object Class、SPair-71k三个公共数据集以及人工生成的仿真数据集上进行了详实的实验,并与基准算法BBGM（Blackbox Differentiation of Graph Matching,BBGM）进行比较。实验结果显示,本文提出的两个图匹配算法在Willow Object Class数据集上的准确率与BBGM基本持平;在Pascal VOC数据集上的准确率相较于BBGM分别提升0.6%和2.6%;在SPair-71k数据集上的准确率相较于BBGM分别提升0.3%和0.7%;在人工生成的仿真数据集上相较于BBGM具有更强的鲁棒性。