图节点的分类被广泛的应用于社交网络、生物医学、电子商务等领域,一直是当今学者研究的热门话题。图节点规模的增加给现有的分类算法带来了巨大的挑战,探索高效的分类算法以满足人们迫切的实际应用需求是非常有必要的。本文对图卷积神经网络半监督节点分类的关键技术进行研究,首先在图卷积神经网络中加入图池化层和随机游走,有效的提高了模型的准确性。其次,在图卷积神经网络的效率上进行改进,设计一种新的自适应采样的快速图卷积神经网络,适用于较大规模的图节点分类,本文工作和研究成果如下:1.针对图卷积神经网络（Graph convolution neural network,GCN）分类精确度低、模型浅,无法充分提取图节点特征的问题,设计了一种深度池化对偶图神经网络。首先利用图卷积网络原理对图卷积算子进行构建;然后通过卷积层对设计的图池化操作和细化操作保留局部几何多尺度结构形成深度池化神经网络,提取更加深层的语义特征信息;最后通过随机游走和深度池化网络进行协同训练,将标记的数据有效的传播到整个图上,解决卷积核局部性问题。实验结果表明,该网络模型与现有方法相比提高了分类精度,在少量数据标记时效果更为明显。2.针对图卷积神经网络在进行大规模图节点分类时训练时间久、服务器运行内存占用大的问题,本文设计了自适应重要性采样的快速图卷积神经网络模型。首先自顶向下的对重要性节点进行分层采样,将底层的节点作为整体采样来避免邻域的过度扩张,达到降低运行内存的效果;其次,在网络前向传播过程中采用方差缩减进行加速训练;最后通过随机游走的图卷积将提取到的隐层特征与重要性采样的快速图卷积堆叠特征丰富了特征信息。实验结果证明,该网络在大规模图数据上具有较好的分类性能,同时在一定程度上也可降低服务器的运行内存开销。