图卷积网络具有能聚合和转换节点邻域内的信息生成节点表示的能力,因此受到广泛关注。分类任务作为评测模型嵌入效果的重要标准,是图分析任务里一个重要的研究方向。由于社交网络有连接复杂、噪声较多等因素,暴露了现有的模型存在依赖图结构、局部结构被忽略等问题,导致无法得到有效的特征表示。针对这些问题,本文基于图卷积网络对节点分类与图分类方法进行研究。具体工作概括如下:（1）针对现有图卷积网络在节点分类中依赖图结构信息、特征传播方式单一等问题,提出了一种保留特征相似的半监督节点分类方法。根据节点间的余弦相似度,将前k个相似节点相连构成特征图,用于保留节点的特征相似性。引入一个混合图卷积模块自适应地整合初始图和特征图的邻接矩阵,一定程度上弥补了聚合过程所丢失的信息。多通道机制让节点特征在三个图上传播,并且利用注意力机制自适应融合三个模块的嵌入,能有效地降低模型对图结构信息的依赖。与其他现有方法相比,实验结果在五种不同的论文引用网络和社交网络数据集上都显示了较高的效果。（2）针对图分类中现有图卷积网络整图特征表示不佳以及Transformer无法获取图的结构信息等问题,提出了一种基于Transformer和GCN的图分类方法。引入一个全局编码模块,为输入节点的特征矩阵添加度编码,使邻居较多的节点在注意力机制中更被重视。局部聚合模块对编码后的邻居节点的特征进行聚合,保留了图的局部结构信息并且获得更完善的节点表示。此外,采用了全局池化结构,利用READOUT函数得到整图的特征表示。本方法利用两个模型互补的特点进行建模,在不同的社交网络和生物信息数据集上有较好的结果。（3）根据本文提出的节点分类模型和图分类模型,设计了关系网络分类系统,实现了系统的主要功能和测试。系统核心的模块包括节点分类功能模块和图分类功能模块。保留特征相似的半监督节点分类方法用于实现节点分类功能,基于Transformer和GCN的图分类方法用于实现图分类功能。