异质图表示学习旨在将图中的节点映射到低维连续的表示空间并保留异质图中丰富的结构和语义信息,从而有利于下游的机器学习任务,如节点分类、聚类等。主流的异质图表示学习方法通过将异质图转化为多个元路径视图（同质图）来处理图的异质性,建模复杂的结构和丰富的语义信息。随着对比学习在同质图表示学习领域取得了卓越的效果,一些工作开始结合对比学习技术和元路径技术来进行异质图表示学习,即基于元路径的异质图对比学习。然而,现有的基于元路径的异质图对比学习方法在捕捉元路径视图信息时只考虑了节点的局部邻居信息,忽略了节点的高阶邻居信息,导致捕获的元路径视图信息并不充分,从而影响节点的表示质量。针对以上问题,本文提出一个基于节点-图跨视角对比的异质图表示学习算法。其通过图扩散对原视角下的各元路径视图进行增强,得到增强视角下包含全局信息的各元路径视图;接着分别对原视角和增强视角下的各元路径视图进行编码和融合,得到两个视角下的最终节点表示;通过图读出函数得到两个视角的图表示;最后设计节点和图的跨视角对比任务来引导模型同时捕捉各元路径视图的局部和全局信息,从而解决基于元路径的异质图对比学习只考虑节点的局部邻居信息的问题,获得更优质量的节点表示。但是,上述算法使用的对比任务目标:节点和图互信息最大化（节点和图作对比）,存在着两个局限性。一是只考虑了图级信息而忽略了图的其它结构信息,因此本文进一步考虑图中的簇级信息,提出了一个基于节点-簇跨视角对比的异质图表示学习改进算法;二是该对比任务目标依赖于图读出函数的单射性,所以本文绕开这种方式提出了一种基于节点-邻域跨视角对比的异质图表示学习改进算法。为了验证所提算法的有效性,本文在多个真实世界的异质图数据进行了实验。基于节点-图跨视角对比的异质图表示学习算法在节点分类任务上的Micro-F1和Macro-F1比主流的基准模型平均提高1.5%,而基于节点-簇跨视角对比的异质图表示学习改进算法则平均提高1.9%。基于节点-邻域跨视角对比的异质图表示学习改进算法在聚类任务上的NMI和ARI比主流的基准模型平均提高4%。这也验证了本文基于跨视角对比的异质图表示学习的有效性。