随着互联网的飞速发展,人们在通过互联网进行交流方面取得了长足的进步,也形成了一种新的社交网络基本形式。社交网络是现实世界中人与人之间通信的网络虚拟化,特别是近年来社交网络(如Facebook,腾讯,微博)的飞速发展,吸引了许多邻域的学者来挖掘和分析社交网络中的数据。从而促进了针对广告,公共服务,市场营销,学术交流等的社交网络研究。作为数据挖掘和分析的一种方法,分类问题也被应用到社交网络中。通过对网络中的节点进行分类并通过标签捕获节点的兴趣,爱好,关系或其他可能的特征。社交网络节点多标签分类是本文的主要研究方向,社交网络中节点可以是代表现实中的一个人或者是一个整体组织,每一个节点中都包含了大量的数据,例如:文本、图片、音频、视频。之前多数节点分类问题主要为节点单标签分类,然后由于现今社交网络内节点的数据及属性越来越多,节点单标签分类研究已经难以满足节点标签分类的要求,所以本文主要对节点进行多标签分类。社交网络节点多标签分类问题有两个研究方向:一个是根据节点自身属性对节点进行分类,另一个方向是根据节点之间连接信息对节点进行分类。本文主要工作是根据将节点的自身属性和连接信息进行融合,提出一种基于图影响力卷积神经网络节点多标签分类方法。该方法主要思想是提出一个通过图影响力卷积网络提取节点自身属性与连接信息相融合来完成社交网络节点多标签分类的模型,该模型为具有节点辅助信息的拓扑图数据,然后引入了影响力机制使得该拓扑图数据在针对某一个节点的卷积操作中,与其相连接节点的卷积参数各不不同,根据各个不同的卷积参数对相对应的连接信息进行加权求和实现该节点内容信息与连接信息的融合,并实现进一步的分类任务。最后,通过对两个公共数据集的实验比较,对现有研究邻域的不同算法模型进行了比较和验证,证明了本文提出的算法模型在节点多标签分类任务上的可行性。