图表征学习是处理图数据的重要手段,近年来将卷积神经网络（Convolutional Neural Networks,CNN）运到图表征学习中提出的图卷积神经网络（Graph Convolutional Network,GCN）及其变体在对图数据的处理分析中取得了巨大成功。然而,三个根本性的缺陷限制了他们对图数据的表征能力,分别是过平滑现象、无法捕捉长程依赖和未标注数据利用率低。为了解决GCNs（GCN及其变体）普遍存在的过平滑现象和无法捕捉节点间长程依赖的缺陷,本文提出了一个新的多轨道消息传递机制。通过创建多个拓扑结构相同而属性信息稀疏的轨道辅助图,让属于不同类的消息在各自对应的轨道内独立地进行传播,同时原图中的节点能够自主地选择合适的消息来更新自身。多轨道机制对节点间的消息传递与更新存储这两个职责进行切分,从而避免了GCNs连续的卷积操作导致的过平滑现象以及长距离传输消息时受到的干扰。而多轨道机制的实现需要先解决发送阶段的准确性、传播阶段的信号衰减和更新阶段的选择障碍这三大挑战。对此,本文提出了端到端的多轨道图卷积网络模型,分别通过引入多重先验信息、改进消息更新函数和提出基于属性相似度的判别机制来解决对应的难题,成功地实现了多轨道消息传递机制,解决了GCNs存在的过平滑和长程依赖问题。针对端到端的多轨道图卷积网络存在的过于依赖先验信息的问题以及GCNs对于未标注数据利用率低的缺陷,本文在端到端模型的基础上提出了一个全新的多阶段多轨道图卷积网络模型。使用采样校验策略提升先验信息的准确性,将端到端结构拆分成多个阶段,并与经典的伪标签技术相结合提出了多阶段的自增强策略。每个卷积层由在轨道辅助图内水平方向的消息传递、轨道与原图之间垂直方向的传播更新以及用全连接层预测伪标签并回传三个部分组成。其中垂直方向的传播更新和伪标签回传使得模型会随着卷积层数的加深不断地自我增强,显著降低了多轨道模型对先验信息的依赖程度。而伪标签技术其本质上是使用未标注数据来增强半监督学习的性能,解决了GCNs的第三个缺陷。最后,在三大类共11个真实网络数据集上的定量分析实验表明本文提出的两个多轨道消息传递方法在同质性和模块度较低的异配图上取得了优秀的成绩,在同配图上也表现不俗。而定性分析实验则进一步验证了本文提出的多轨道机制和自增强策略很好地解决GCNs存在的这三个缺陷,增强了模型的鲁棒性和自适应性,使其可以更好地被运用于社团发现、舆情分析、推荐系统等涉及对图数据处理分析的实际应用中。