近些年以来,随着计算机性能的不断提升和神经网络的不断改进,深度学习的研究取得了巨大的进步,俨然成为当前人工智能兴起的核心。在包括图像识别,文本生成,语音识别以及图数据分析等领域,深度学习都得到了广泛的应用和研究。然而最近的研究表明如此频繁使用的深度学习模型是不可靠的。图的深度学习模型在各种图分析任务中取得了惊人的表现,例如节点分类、链接预测和图聚类。而深度学习系统的不安全问题并没有能够在非欧数据领域避免,通过在图数据拓扑结构和特征矩阵中添加难以检测的细微扰动信息,能够使图神经网络模型产生明显的误判,甚至降低整个模型的性能。在金融、电商、社交网络等实际应用中,这种由于微小扰动引起的误判往往会带来较大的经济损失甚至安全隐患。因此研究更加鲁棒的网络模型对推动图神经网络的应用和发展具有重要意义。目前针对图数据应对扰动的鲁棒性改进,多数工作致力于通过定位节点的单跳邻居来减少扰动数据的影响,但这些方法在保护模型免受节点多跳邻居中的间接扰动攻击时具有一定局限性。对于特征的处理,聚合过程中邻居节点特征共享权重,导致特征提取能力不足。图里奇曲率可以刻画黎曼空间中任意两个节点邻域的直接和间接链接的关系,本文从图里奇曲率的角度出发。首先用图里奇曲率分布研究了扰动的可区分性。结合数据分析实验结果观察发现,在不同类型的数据上,扰动边的曲率值均分布在负域,接着本文从理论上也证明了这一点。根据这一发现,本文基于图神经网络消息传递模型对消息传递模块进行了改进,通过将曲率映射到消息权重来控制消息流通,基于曲率驱动的消息传递模块构建了曲率驱动网络。此外,在节点特征层面,本文通过训练辅助模型为邻域节点的每一个特征分配不同的权重来构造掩码,同过使用掩码过滤邻域节点特征并重构目标节点特征,提升特征的表达能力。本文对所提出的基于特征重构和曲率驱动网络的节点分类方案进行了大量相关的实验验证,实验表明本文方案在不同扰动算法构建的数据集上均取得了优于其他七个对比方案的分类准确率,且在不同数据集设置下表现平稳,验证了本文方案在应对扰动数据集时能够拥有更好的鲁棒性。可视化对比实验通过可视化的手段验证了本文方案拥有更强大的特征提取能力。