图作为一种重要的数据结构,可以有效刻画现实世界中事物之间的复杂关系。子图匹配问题是图数据分析中的基础问题,具有重要的研究意义。由于子图匹配问题属于NP难问题,随着数据规模的增长,其计算复杂度呈指数增长。因此,目前子图匹配算法的研究着重点在于如何提升算法的时间与空间效率。图神经网络可以有效的聚合图节点的邻域信息,使节点的特征向量包含局部邻域信息。此外,代数决策图是一种高紧凑易操作的隐式存储结构,可以实现在较小的存储空间中操作较大规模的图。本文结合图神经网络和代数决策图技术主要研究了基于图神经网络的子图匹配符号算法以及基于代数决策图的子图同构过滤算法。主要工作如下:（1）针对现有子图同构算法中存在的搜索空间大的问题,本文提出了基于图神经网络的子图匹配符号算法（SMMGNN）。该算法采用图卷积神经网络获取包含节点局部邻域信息的特征向量,并以该向量作为过滤条件得到查询图的节点候选集。此外,SMMGNN引入了符号代数决策图存储结构,在数据图中实现各候选区域的并行运算与公共子图的共享存储。其次,为了减少回溯搜索的次数,优化了匹配顺序的计算方法。实验表明,与经典的算法相比,明显地提升了子图匹配的求解性能。（2）针对（1）中提取特征向量时,忽略了不同邻接节点对于中心节点的影响力的问题,对节点特征提取方法提出改进,利用图注意力神经网络提取节点特征,该模型可以根据邻接节点的特征为其分配不同的权重。同时,考虑邻接节点的度中心性以及不同阶的邻接节点对于中心节点产生影响不同,对注意力系数进行了优化,从而抽取更加关键的信息。（3）针对候选集中的无效节点导致大量冗余搜索的问题,提出了基于代数决策图的子图同构过滤算法。该算法给出一种新的候选集编码方式,以采用代数决策图操作对节点候选集并行搜索。其次,在SSMGNN算法的匹配顺序基础上考虑了查询图层次结构信息,给出一种新的匹配顺序。通过查询图节点与邻接节点的关系优化了剪枝策略,并以查询图半径为迭代次数,多次过滤剔除候选集中的无效节点并减少候选区的边集。实验表明,采用该过滤算法能够剔除候选集中的无效节点,从而提高搜索效率。