图作为一种结构化的数据结构非常容易刻画事物之间的内联关系,现实生活中的许多数据都可以用图来进行表示。图匹配中的子图同构问题作为一种查询技术被广泛的应用于社交网络、网络安全、计算生物学和化学等领域中。子图同构属于NP-hard问题,随着其数据规模的上升,其求解的复杂度也往往呈指数上升。图表示学习作为处理图数据的表示技术,可以高效的学习出表示图结构和属性信息的特征向量。此外,对求解过程中所出现的“组合爆炸”问题,约束满足问题（CSP）模型可以起到一定程度的抑制作用。本文在图表示学习和CSP的技术上主要研究了基于邻居信息聚合的子图同构约束求解算法以及基于随机游走图表示学习的子图同构过滤算法。主要的工作如下:（1）现有的子图同构算法大多是基于邻居关系来构建约束条件,而忽略了节点的局部邻域信息。针对这个问题,提出了一种基于邻居信息聚合的子图同构约束求解算法。首先根据图的标签、度等特征属性,对节点的匹配顺序进行优化,以减少搜索分支。其次,将模式图和目标图导入改进后的图卷积神经网络,得到聚合后的节点局部邻域信息,以此来得到聚合权值约束,并建立子图同构的CSP的新模型。最后,结合CSP求解技术进行回溯求解。实验结果表明,与经典的算法相比,该算法可以有效地提高子图同构的求解效率。（2）在现实生活中,图数据中的边通常也具有一定的实际意义与属性。针对（1）中在对特征提取时只提取以节点为中心的邻域信息这一问题提出了一种改进算法。该算法在（1）的研究基础上将图转换为关联矩阵进行描述,采用另一组图卷积神经网络对其边的邻域信息进行聚合,并加以整合以此得出蕴含节点和边的局部邻域信息的特征向量。实验结果表明,采用改进的算法可以进一步的提高子图同构的求解效率。（3）为了缩减问题的搜索空间,减少不必要的解,提出了一种基于随机游走图表示学习的子图同构过滤算法,在子图同构的预处理阶段进行使用。首先,根据子图同构问题的匹配特性,给出了“最近邻”有偏随机游走策略,以此策略来进行随机游走采样。其次,针对图的属性特征,加入节点标签进行训练。最后通过相似性度量对不可行解进行过滤。实验结果表明,该过滤算法可以有效的缩减搜索空间,以提高问题的求解效率。