随着信息技术的发展,属性图作为一种描述实体间复杂关系的数据在现实世界中无处不在,如社交网络、引文网络、蛋白质相互作用网络等等。针对属性图的社区检测研究作为属性图数据挖掘领域的基本任务,旨在发现复杂图结构中由紧密连接的结点构成的群组,即社区。其难点在于如何有效融合属性和拓扑空间的异构信息,学习结点的表示,提升社区检测算法的性能。图卷积网络（Graph Convolutional Networks,GCNs）通过卷积操作将属性信息与拓扑信息结合,是属性图表示学习中广泛使用的有效工具,也是当前一个热门研究领域。然而深层GCNs模型面临着过拟合与过平滑问题,模型性能随层数加深显著下降。本文通过实验发现,同一个图中不同度的结点的过平滑程度不同。受此启发,本文提出一种针对结点度的拓扑学习方法,根据结点的度动态调整拓扑结构,以缓解过平滑,同时提升模型在半监督社区检测任务上的性能,并通过实验验证了该方法的有效性。此外,由于人工标注数据成本高等问题,无监督属性图社区检测成为一个热门且更具有挑战性的任务。由于无监督社区检测任务中缺少标签信息,本文提出了一种端到端的针对社区检测的自适应属性图表示学习模型,基于在属性与拓扑空间均相似的结点对属于同一社区,以及在属性与拓扑空间均不相似的结点对属于不同社区的假设,生成“软标签”指导模型训练,同时利用高阶图卷积为结点表示学习引入高阶邻域信息,并利用随机块模型在尽可能不引入拓扑噪声的情况下重构原始拓扑,提升模型在社区检测任务上的表现。此外,考虑到低通拉普拉斯平滑滤波器在属性图表示学习任务上的有效性,本文提出了一种基于低通滤波的对称图自编码器模型,在重构结点原始属性的同时,引入自表示层以及互信息损失,促使模型学习到尽可能保持原始信息且噪声较少的结点表示。本文在3个公开的数据集上与目前最先进的方法进行了对比,证明了上述两个模型的有效性。同时,为了将本文研究的方法与实际应用相结合,本文设计并实现了一个针对属性图社区检测的软件系统,直观地展示了上述方法的运行结果。