随着深度学习方法的蓬勃发展,神经网络模型作为数据挖掘的有效手段已经成为许多行业的共识,相关方法在图像、文本、音频等多种数据形式的任务上取得了不错的成绩。近年来随着图神经网络（Graph Neural Network,GNN）模型的兴起,研究人员进一步利用图的数据结构建模广泛存在于生活中的非欧几里得空间中的任务变量交互与依赖关系,在推荐系统、知识图谱推理、蛋白质分子属性预测、化学分子生成、疫情传播预测等任务上进行了探索。在神经网络模型的发展过程中,从业者们为了节约重复设计、优化模型所产生的人力开销提出了神经网络架构搜索（Neural Architecture Search,NAS）方法,并在近十年中得到长足的发展。然而,针对图神经网络模型的架构搜索工作还处于发展起步阶段,从架构搜索方法的三个要素出发:受制于图神经网络模型缺失网络结构的特性,研究人员难以设计有表现力且创新的搜索空间;复用传统神经网络上的架构搜索方法,设计搜索策略以实现在庞大搜索空间中的高效搜索问题仍需解决;面对诸多结构属性各异的图数据集,设计合适的图神经网络模型快速评估方式提高模型验证效率也是需要解决的问题之一。同时,得益于图数据集结构特征显著,图神经网络架构搜索框架中进行多个数据集的历史搜索结构共享和搜索经验迁移成为了可能。针对以上问题和思考,本文主要工作如下:（1）提本出了一个基于贝叶斯优化方法图神经网络架构搜索框架。本文以设计图神经网络架构搜索框架为主要问题导向,将神经网络架构搜索领域的设计要素应用至图神经网络领域中——搜索空间、搜索策略与评估策略。本文设计了一个可变深度的非单链式图神经网络搜索空间,旨在提高模型的表达能力上限;结合贝叶斯优化方法的全局搜索特点,本文希望实现快速且稳定的图神经网络架构搜索流程。本文是第一个将贝叶斯优化方法应用至图神经网络架构搜索任务中的工作。（2）结合神经过程方法与神经网络架构搜索方法,设计了一个拟合图神经网络结构与性能数据的图神经网络架构性能预测器,同时实现了“利用多个数据集的架构搜索历史数据迁移经验帮助预测性能”的能力。本文将神经过程方法引入至神经网络架构的性能预测任务中,将神经过程方法对相关函数族的拟合能力拓展到神经网络结构与性能数据预测任务中,旨在对图神经网络结构集合有鉴别能力。另外,本文还将神经过程对函数族的拟合能力应用至多个数据集历史数据中,旨在为图神经网络架构搜索框架在新数据集上提供迁移经验或提供缓解冷启动的能力,提高模型在真实任务中的部署速度。（3）在多个图数据集上进行了实验对比,对比内容包括图神经网络架构搜索框架搜索到的神经网络性能对比和神经过程方法对图神经网络结构性能预测能力的对比。实验结果表明本文提出的图神经网络架构搜索方法相较于传统图神经网络模型以及其他主流工作有竞争力;本文提出图神经网络模型性能预测方法可以在少量训练的情况下获得图神经网络模型的鉴别能力。（4）作为应用实例之一,本文将图神经网络架构搜索框架拓展至约束满足问题（Constraint Satisfaction Problem,CSP）的一个实例图着色问题（Graph Coloring Problem）上,探索了使用图神经网络模型解决图着色问题的可能性。