近年来,随着大数据和人工智能技术的迅猛发展,社交网络、引文网络等应用越来越多。对于这些应用程序,一个独特性就是它们的数据由网络结构表示,其中节点表示实体,边表示节点之间的关系。通过聚合大量网络图结构实现知识的快速响应和推理。然而,新兴网络由于没有足够可用的标签信息或因节点标签的获得成本较高,利用传统机器学习算法并不能得到一个准确率较高的分类模型。但是通常,丰富的标记数据往往存在于许多已建立的网络中,这些网络来自不同但相关的领域。本文利用来自辅助源网络的信息帮助预测目标网络中节点的标签。在现实中,识别出可以在网络之间迁移并且对目标域有用的知识是跨网络迁移学习的主要挑战。针对具有网络结构的数据,本文提出了一种基于图结构的多源迁移学习方法,该方法通过构建节点结构特征,并将结构特征与节点实体特征相结合,利用迭代算法对目标域中的节点进行分类。本文针对具有网络结构的数据,提出了一种构建其节点结构特征的方法。在所有节点的局部邻域结构中,找到一组对于分类有效的图结构,节点局部邻域结构与这组图结构计算图相似度,作为该节点的结构特征。针对本文所涉及到的图结构,提出了一种最大公共子图求解方法,该方法可以对候选子图集合进行有效的过滤,能够在有限的时间内计算出结果,满足本文算法的设计要求。在公开数据集及真实网络的大量实验表明,与现有的基线方法相比,本论文提出的算法具有更好的性能,同时也表明在网络间迁移可归纳的结构信息确实可以提高节点分类的准确性。