随着信息技术的飞速发展,网络成为了日常生活中重要的数据形式。对网络数据进行分析能够提升节点聚类、社交推荐以及社区发现等现实任务的性能。然而,现实生活中的网络结构稀疏且规模巨大,这使得存储和处理网络数据变得十分困难。因此,学者提出网络嵌入技术来解决数据存储和处理困难的问题。网络嵌入旨在使用低维稠密的向量来表示节点。随着深度学习的不断发展,基于深度学习的网络嵌入算法的性能远优于传统的网络嵌入算法。然而,现有的算法并未很好地利用节点的标签和属性来挖掘网络潜在的语义信息。因此,本文根据标签网络、属性网络以及标签属性网络的特性,提出了三种基于深度学习的网络嵌入算法,具体研究内容如下:（1）提出了一种融合全局结构和标签的网络嵌入算法。该算法利用迪杰斯特拉算法构建保留全局结构信息的距离度量矩阵,使用降噪自编码器捕捉非线性的拓扑结构。编码器输出的嵌入表示可以作为侧输出层的输入去预测节点的类别,通过交叉熵损失和中心损失学习标签信息。实验表明,在节点分类和可视化任务中,本文提出的算法的性能比基线算法有显著提升。（2）提出了一种融合社区信息和属性的网络嵌入算法。该算法使用基于编码器-解码器的深度网络模型和早期融合策略捕捉拓扑信息和节点属性之间复杂的交互关系,利用Louvain算法将网络划分为多个社区,构建社区三元组,利用编码器输出的嵌入表示以及社区三元组计算三元组损失。实验表明,在节点分类、节点聚类以及可视化任务中,本文提出的属性网络嵌入算法比基线算法的性能好。（3）提出了一种融合标签和属性的高阶网络嵌入算法。该算法利用节点属性构建属性图和属性图屏蔽矩阵,根据节点之间最短距离构建了多个结构图屏蔽矩阵,在注意力机制中使用这些屏蔽矩阵,聚合属性图的一阶邻域信息以及结构图高阶邻域信息以形成多个嵌入表示,利用注意力机制对多个嵌入表示进行加权融合。实验结果表明,与其他方法相比,本文提出的算法在分类任务上具有更高的准确率。