近年来,随着信息数据爆炸性的增长以及深度学习方法在各领域的广泛应用和研究,图（Graph）结构作为表示数据之间关系的基本结构,它通过对一组对象（节点）和关系（边）进行建模,经常被用来表达大规模和纷纷复杂的数据。如在实际应用中,如何在这种特定的网络关系中查询相关性高的匹配,可以形式化为图的匹配问题来进行求解。目前的图匹配方法中主要包括精确图匹配和非精确图匹配两种,由于外部的形变和噪声,使得来自同一模式的不同图之间可能存在不同程度的差异,因此考虑图结构和标签差异的非精确图匹配技术逐渐成为了研究热点。随着专家学者们对深度学习的研究越来越多,大量的基于深度神经网络的方法被应用于图匹配问题中,而现有的深度学习处理图匹配的算法中只通过图的边传播信息,不能以分层的方法推断和聚合信息。虽然在图匹配任务上取得了较好的结果,然而存在平面化及图数据的表征不足。针对以上问题,本文的研究内容如下:（1）借鉴建筑学空间的关系理论-空间句法思路,对图数据原始样本进行节点上的拓扑特征提取,然后将提取的特征数据进行预处理作为本文深度学习网络的输入。（2）深入研究了图卷积神经网络的工作原理,提出将空间句法和图卷积神经网络相结合,通过在图上定义卷积和可微池化运算,对图节点的特征信息和结构信息进行分层端到端的学习,进而能够更加完整高效的表征图,最后将高维的特征映射通过分类器映射到低维的拓扑空间而完成分类任务。最终通过实验,证明了该模型对于解决图数据的表征问题,并在一定程度上提高了匹配的准确率。（3）深入研究了循环神经网络和LSTM神经网络,本文利用LSTM神经网络的思路构建了基于图LSTM神经网络的图匹配算法,该网络能够对结构化数据进行建模,通过挖掘图内部的连接关系形成对每个图样本的整体认识,最后来完成分类任务。通过实验表明,该方法有效的提升了分类的准确率。综上所述,本文梳理了现有算法的不足,确定了目前算法的改进方向。首先通过空间句法变量建立了深度学习模型的输入,其次构建了两种深度学习模型,解决了当前图数据的表征不足问题,然后在模型训练过程中配置使用了GPU环境。最终通过实验,证明了本文算法的可行性,并且能够有效的提高分类的准确率。