单细胞转录组学数据是现代系统生物学的重要数据类型之一,越来越多地用于各种生物医学研究,从而为复杂的细胞生态系统和潜在的分子相互作用关系提供新的解释。单细胞转录组测序技术（scRNA-seq）允许在不同条件下测量来自多个生物样本的数千个单细胞的转录组信息,其表达量可以反映细胞的总体特征。如今单细胞转录组学已经被广泛地用于解决细胞异质性问题。随着公共数据库中单细胞转录组数据的快速积累,如何利用现有的注释信息来有效且高效的识别新测序的细胞变得至关重要。而传统的细胞类型识别方法进行分类的阈值通常是基于经验的,在稳定性与可解释性上均有欠缺。图神经网络是传统深度学习在图结构上的拓展,可以对图结构数据进行分析,学习节点特征和拓扑结构信息,进而得到节点的潜在表示。而多视图学习可以通过利用多个视图之间的互补性,来学习得到更好的特征表示。单细胞转录组是一种非常适合构建成图结构的数据,但是由于细胞聚类之间的内在异质性和数据集之间的外在差异,不同的图构建方法在不同识别任务上表现出了明显的差距。本文提出了一种基于异质图神经网络的细胞类型识别模型scMGCN（Single-cell Multiview Graph Convolutional Network）。首先利用不同的方法对单细胞转录组进行构图,其中节点代表细胞,边代表细胞之间的关系。之后,将具有不同种类的边的异质图数据输入到模型中,使用图卷积网络对不同构图方法得到的图进行训练与分析,通过注意力机制对不同图卷积的输出进行聚合。最后通过全连接层对细胞进行多标签预测,得到对应的节点表示,以向量形式代表不同细胞类型的预测分数。为了验证模型的有效性,本文在六种单物种数据集,十种跨平台数据集、四种跨种数据集上进行了实验。并且,同Seurat v3、Conos、scmap、sc GCN、CHETAH这五个细胞识别方法上进行了对比试验。其中scMGCN在实验中相对于其他方法均有较好的稳定性,在跨物种及跨平台数据集中具有更好的准确率。同时,文中还对不同方法构成的单细胞图结构数据在图神经网络上的效果进行了实验对比,结果表现出sc MGCN可以有效整合不同构图方法的优点。文中也使用了其他异质图神经网络模型进行了实验对比,验证了本文所提的模型要优于其他异质图神经网络。