深度学习领域中,时间性能以及准确率是评估一个模型好坏的两个最为关键的指标。近几年,图神经网络由于能够很好的处理其他深度学习方法无法很好处理的非欧氏空间数据而得到了迅猛发展。目前图神经网络领域的研究者们更多地关注图神经网络模型的准确度而忽略了对于图神经网络模型的时间性能的研究。图神经网络为了处理非欧式空间的图数据,其模型结构及训练过程相比于已有的深度神经网络有着很大的区别,并因此具有了很多新的性能特性。本文旨在通过性能评测分析发现图神经网络训练的性能特性以及瓶颈,并进一步对图神经网络训练过程进行优化加速。本文工作主要包括以下两个方面:（1）图神经网络训练性能评测分析本文基于当前主流的两个图神经网络框架对图神经网络在不同任务中的训练性能进行评测分析。本文评测和比较了图神经网络模型在两个框架下训练时的时间性能、GPU利用率以及显存占用等性能指标,并根据发现的图神经网络性能特性提出了一些图神经网络时间性能优化的建议和指导方向。通过本文评测工作所发现的图神经网络训练过程中数据处理阶段是训练的主要时间性能瓶颈以及训练对GPU资源的利用率低等模型性能特性,能够对本文进一步的模型训练性能优化工作提供方向引导。（2）图神经网络采样训练优化加速本文针对基于采样的图神经网络训练中的主要时间性能瓶颈提出了对应的优化方案,解决了采样以及数据加载阶段会成为图神经网络训练的主要时间性能瓶颈的问题。针对采样阶段,本文提出了负载均衡的并行采样优化方法;针对数据加载阶段中的数据聚合操作,本文通过对采样节点重排序以尽可能合并访存以及并行特征预取对数据聚合操作进行加速优化;针对数据加载阶段中数据传送操作,本文使用了节点特征缓存的方法来减少数据传送量以此降低时间损耗。此外,为了降低训练的总体开销以及有利于节点特征缓存,本文提出了基于主成分分析的节点特征稀疏方法。通过GraphSAGE模型在AmazonProducts数据集上的实验证明,本文提出的训练加速方案能使得模型训练得到7.39倍的加速效果。