近年来,随着信息技术的快速发展,人们的生活已经越来越离不开手机、电脑等互联网产品。互联网的普及给人们带来巨大便利和乐趣,但不可避免地产生了大量的数据信息。这些数据信息的格式多种多样,不仅包含语音、文字、图像等典型数据,也包含以图结构为代表的非典型数据。节点分类任务作为图数据挖掘领域重要的分支之一,不仅在学术上有着十分重要的理论意义,也在工业上有着巨大的应用价值。图神经网络作为目前节点分类任务的最优秀模型之一,可通过图卷积操作来充分挖掘出图结构数据中丰富的连接信息。然而图神经网络仍然有着一些缺陷,在节点分类任务上有着一定的提高空间。本文在图神经网络的基础上总结了前人在节点分类任务上的研究,对现有模型进行了改进。本文的工作主要体现在下面四个方面:1)为了解决图卷积网络中的过平滑及内存消耗过大问题,本文提出了一种可以挖掘高阶邻居信息且适用于大规模图结构数据的模型。该模型采用残差特征传播的形式来聚合邻居节点信息,有效地增加了模型的深度,再通过神经网络来对每个节点进行表示学习,进而对节点进行分类。2)当前,大多数图神经网络都是采用平均聚合的方式来利用邻居节点信息,这使得邻居节点中的重要信息和噪声信息得到了平等对待。本文将节点与其邻居的余弦相似度作为特征传播时的权重,从而提出了带权特征传播。该模型的带权特征传播使得图中的节点得到更加合理的特征,大幅提升了节点分类效果。3)神经网络作为一个黑箱模型,很难解释和理解输入和目标之间的关系及联系。本文提出了一种可运用传统机器学习的分类算法来进行节点分类的模型,使得节点分类重新回归到机器学习中传统的分类任务中。节点特征经过特征传播聚合邻居节点特征后,便可以利用常用的分类算法对其进行分类。该模型具有很强的可扩展性和可解释性,传统的分类算法都可应用于该模型,可以根据数据的特征类型来选择合适的分类算法进行节点分类任务,分类效果也优于常见的图神经网络模型。4)本文基于Pytorch深度学习框架和Scikit-learn机器学习框架来实现算法模型。使用了4个公认的节点分类数据集,与目前较为流行的节点分类模型在分类效果、训练速度、模型深度等多个角度进行对比,验证了本文所提出的三种模型在节点分类任务中良好的分类效果。