随着当前社会生活的丰富和扩展,数据所呈现的结构也变得越来越复杂。如何有效地处理和应用这些复杂的结构化数据已经成为研究人员面临的严峻挑战。图（Graph）作为一种常用的数据结构,可以描述事物之间的复杂联系,因此越来越多的新兴技术领域开始用图结构来表示复杂的数据。例如,在生物技术领域,图结构被用来描述蛋白质的内部结构。受卷积神经网络的启发,图卷积网络（Graph Convolutional Network,GCN）模型实现了在不规则图结构数据中广泛应用,在与图相关的任务中取得了很好的效果。然而,大量的研究表明,GCN使用原始固定图结构数据进行图卷积等操作时,图结构质量直接影响着GCN模型完成下游任务的效果。比如,当数据自身没有图拓扑结构时,先前工作通常是基于简单距离度量的方法,难以挖掘到有价值的深层数据信息。对于带有图结构的数据来说,其数据在采集时会出现不可避免的差错,导致收集到的数据通常会带有噪声、缺失等。本文针对图卷积网络模型在图结构上存在的问题,基于图学习理论、图拉普拉斯秩约束、低秩学习等方法提出了两种改进策略:（1）提出基于图拉普拉斯秩约束的图卷积网络分类模型。针对自身不带有图结构的数据,使用自适应k近邻图学习以及图拉普拉斯秩约束学习一个高质量图结构来作为GCN模型完成下游任务的学习对象。具体来说,首先通过自适应k近邻图学习建立数据关系,再通过图拉普拉斯秩约束,学习得到一个连通分量与数据类别数保持一致的高质量图结构,最后将高质量图结构输入GCN完成节点分类任务。（2）提出基于融合图学习的动态图卷积网络分类模型。针对自身带有图结构的数据,为了减小数据采集中产生的噪声、离群等不利因素影响,同时充分挖掘数据的特征信息,提出一种融合图学习的图卷积网络分类模型,分别对数据进行拓扑图优化和特征图学习,深度挖掘数据的拓扑结构信息和节点特征信息,并且进一步将两个图融合,利用图卷积网络完成下游节点分类任务。此外,提出的模型是一个端到端的结构,将融合图学习和图卷积统一在一个框架中,可以基于下游任务动态学习最优的融合图结构。本文主要针对GCN模型在完成下游任务时对图结构质量的异常敏感问题,提出两种优化图结构的方法,实验结果表明提出方法是有效的。