图作为一种较复杂的数据结构类型能够表示众多含有丰富信息的特征结构,其可以被用来刻画各种复杂数据特征以及结构特征之间的作用关系。目前,图结构数据在社交网络、电子购物、化学分子以及交通网络等领域有着非常广泛的应用场景。对于图结构数据的分类任务是,根据图数据节点或结构特征,在无监督下学习一组标记图形结构特征之间的关系将图结构数据进行多分类,并且能够正确地预测看不见的图形标签或结构。由于图结构数据既含有节点特征又包含结构特征,会造成特征信息的复杂性过高,在较大程度上增加了数据分类的难度。并且由于图结构数据尺寸大小的不规则性,限制了卷积神经网络（Convolutional Neural Networks,CNNs）技术在图数据分析领域的应用。本文主要针对大规模不同尺寸图结构数据分类及图数据特征表示问题,研究了基于全局池化和分层池化的图卷积网络模型和基于特征向量化表示的胶囊网络学习模型,以期达到提升图结构数据分类准确率的目的。本文的研究内容主要从以下两个方面展开:（1）提出一种基于得分丢弃池化机制的图卷积网络的图分类方法针对目前图结构数据特征提取过程中细节信息丢失和分类精度底下等问题,本文从非规则结构数据图池化操作难点问题出发,建立了一个基于得分丢弃机制的全局池化和分层池化图卷积网络模型。首先,将图数据特征经过图卷积层进行抽象特征的组合和提取;在基于得分丢弃的图池化层进行节点的按分数丢弃。其次,通过全局池化与分层池化后的特征数据向量通过读出层的拼接与整理形成的更高层抽象特征图。然后,再经过多层感知机网络与Softmax层组成的全连接网络将上层的结果特征进行分类。最后,实验证明了本文所构建的算法模型在D&D、PROTEINS、NCI-1和FRANKENSTEIN四个标准图数据集上取得了比Set2Set、SortPool、DiffPool和EigenPool等图池化网络模型更好的分类效果,同时具备更强的结构特征提取能力。（2）提出一种基于固定尺寸张量表示的胶囊网络的图分类方法为了更好的研究提取图结构数据的特征表示方式,来进一步提高图结构数据分类任务的精度。在上述研究工作的基础上,构建了一种基于图数据特征向量化表示的胶囊网络的图分类模型。首先,将不同尺寸大规模图数据通过节点序列的选择、根节点邻域范围的确定和图标准化过程形成w×k×d的三维数据块。其次,将三维图数据块通过卷积特征编码整理成胶囊单元的组成形式输入到胶囊网络中,利用胶囊间动态路由算法进行节点-边数据特征间的学习。然后,对特征学习过程中的张量提取、卷积层特征表示和胶囊网络表示层利用T-SNE数据可视化算法将高维数据映射到底维数据空间中进行可视化分析。最后,分别在三类九个 MUTAG、NCI-1,NCI-109、PTC、D&D、PROTEINS、ENZYMES、IMDB-B和IMDB-M标准图数据集上对本文所提出的方法进行实验测试,验证了本文提出算法的有效性。