近年来,有关图数据的研究发展迅速,许多现实世界中的复杂系统都可以用图数据结构来表示,例如生物网络、社交网络、城市交通网络等。由于这些图数据中往往存储着很多有价值的信息,例如,在社交网络中,通过分析用户的兴趣和爱好将用户划分成不同的社交群体,以进行精确的广告投放、用户搜索等功能。因此不少学者进行图表示学习的研究以探索图数据中的重要信息。随着深度学习的快速发展,图卷积网络（Graph Convolutional Network,GCN）作为图表示学习中处理不规则结构数据的有力工具,在节点分类、链路预测等任务中取得了令人满意的效果。然而,最近的研究表明,GCN采用固定的图结构用来指导图卷积运算导致其对图结构的质量异常敏感,图结构质量的高低直接影响着GCN模型后续任务的效果。在图结构不容易获得的情况下,许多先前的工作根据输入数据手动构建图结构（例如k NN图）。不过,基于简单距离度量方法构建节点之间的相似性,容易受到噪声和离群点等影响导致图结构质量较差,从而影响后续任务。此外,图的构建独立于下游任务,固定的图被应用于整个网络的所有层,不能很好的动态捕捉不同层中节点特征的底层结构,导致模型生成较差的结果。本文针对图卷积网络模型在图结构上存在的问题,基于图学习理论、低秩学习、稀疏学习等方法提出了两种改进策略:1)提出了基于拉普拉斯秩约束的图重构卷积网络（LRGCN）。针对从领域知识中获得的图结构受损、甚至不可用时导致图卷积网络分类准确率较低问题。LRGCN将结合超图和图拉普拉斯秩约束学习得到一个高质量的图输入到GCN中获得更准确的分类结果。首先,通过超图学习来建立数据之间的高阶关系。然后,在超图的基础上,借助于图的拉普拉斯秩约束,学习一种新的具有c个连通分支（其中c是类数）的高质量图结构。最后将学习得到的图结构输入到GCN模型中,用于指导后续的节点分类任务。2)提出了一种鲁棒动态图学习卷积网络（RGLCN）。RGLCN是一种端对端的网络模型。具体来说,本文基于平滑度假设、稀疏约束、强连通性约束提出一种鲁棒动态图学习损失函数。然后,将图学习和图卷积集成在一个统一的框架中。基于下游任务,动态地学习最优的图结构。本文主要针对GCN对图结构的质量异常敏感,影响下游任务问题进行研究,并提出了两种策略来提升模型的节点分类性能。实验结果表明,本文提出的方法优于所有对比算法。在未来的工作中,考虑将多视角方法引入到图卷积网络中,可以从多个不同的视角来观察同一事物,并结合图卷积提取复杂特征的能力,融合多个视角的信息可以极大提升模型学习能力。