随着互联网技术的飞速发展,越来越多的图数据信息迅速累积下来。图匹配作为挖掘图数据中所蕴含的有价值信息的基础算法,成为该领域的研究热点。随着深度学习被应用于解决图匹配问题,并展现出优于传统方法的发展态势,近两年来,基于深度学习理论的图匹配算法发展迅速。其中,卷积神经网络因其高效的性能及快速的学习能力受到研究人员的广泛关注。当前的深度学习模型存在参数过多,计算量大,从而导致算法复杂度高,数据挖掘不充分等不足。针对上述问题,本文开展了如下工作:（1）针对现有图卷积网络模型应用于非精确图匹配时,在卷积步骤早期存在节点特性以及节点之间拓扑特征易损失的问题,提出了一种改进的注意图卷积网络模型。使用相对较少的参数以端到端的方式学习分层表示,利用自注意机制来区分应该丢弃或保留的节点。首先利用注意图卷积网络自动学习不同跳上邻域的重要程度;其次,加入自注意池化层,从矩阵图嵌入的各个方面概括图表示;进而将最终图嵌入矩阵M发送到线性层以进行最终预测;最后,在多个标准图数据集中进行训练和测试。实验结果表明,相较于目前最先进的图核和其他深度学习算法,该方法在标准图数据集上具有更优的图分类性能。（2）传统深度置信网络由于图数据分布在邻域任意位置,易导致图中拓扑特征等重要信息的丢失。为了解决这一问题,提出将深度置信网络与卷积神经网络相结合的图匹配算法。首先通过CNN学习数据的局部结构特征,进而在DBN模型中引入卷积操作,建立一个由两个CRBN堆叠而成的卷积深度置信网络,最后在多个标准图数据集采用相似于DBN的贪婪逐层训练方法和Softmax分类器对卷积深度置信网络进行了训练和测试。实验结果表明,该方法在图分类和检索方面优于现有方法。本文提出的方法能够有效解决节点特征和拓扑特征挖掘不充分的问题,所构建的模型能够有效提高图分类精度和图检索效率。