图数据常用于描述事物与事物之间的关系。现实生活中的诸多复杂网络,例如在线社交网络、蛋白质互作用网络等,都可以抽象地描述为由个体和与其连接关系组成的图数据。随着深度学习在分类问题上取得的巨大成功,将深度学习的成功经验迁移至图数据分类成为当前的研究热点。基于图数据的分类任务一般可分为节点级分类任务和图级分类任务。例如:将在线社交网络中的用户视为一个节点,通过对节点的图数据特征进行提取,从而对用户所属的子论坛进行分类,此类任务为节点级别分类任务;将蛋白质网络视为一张图,通过对网络的图数据特征进行提取,从而将蛋白质分类为酶或非酶,此类任务为图级分类任务。但现有的图神经网络在处理这些问题时通常存在着特征提取不够充分、深层网络难以训练、过平滑以及分类精度较低等问题。为了解决这些问题,本文进行了如下工作:(1)针对现有深度图神经网络在图分类任务中对层级特征考虑不够充分、深层网络难以训练以及分类精度较低的问题,提出了一种基于重要性池化的层级图分类方法。以层内-层间联合特征提取结构为核心,主要包括了层内特征提取模块和层间特征提取模块两部分工作。首先,通过图卷积神经网络对原始图数据进行特征提取,从而得到了具有新特征的图。其次,利用重要性池化方法采样出图中重要的节点,并组成包含了原图大部分特征和性质的缩略图。然后,通过对图卷积层和图池化层的堆叠,以提取图数据的深层特征。最后,将每个图池化层输出缩略图的特征矩阵以序列数据的形式输入循环神经网络,利用其中的逻辑门结构为每个层内特征提取模块的输出分配合适的权重和感受野,从而使模型的最后结果中自适应的融入不同层的特征信息。实验结果显示,本方法在合理的时间复杂度下,加速了损失函数的收敛,在基准图分类数据集D&D、PROTEINS、NCI1和MUTAG上的分类准确率都有不同程度的提高。(2)针对现有深度图神经网络在节点分类任务中存在的过平滑问题,提出了一种基于子图划分的多尺度节点分类方法。首先,使用了一种基于子图划分的方法对图数据进行预处理,通过改变图中的网络结构,有效地避免了低收益的特征聚集工作,一定程度上抑制了由于冗余邻域搜索带来的过平滑问题。然后,设计了一种Graph-Inception网络结构,通过不同尺寸卷积核的组合提取目标节点多尺度下的邻域特征信息,从而实现对图神经网络深度扩展的等效,一定程度上抑制了由于模型层数过多引起的过平滑现象。实验结果显示,本方法能够有效地抑制图神经网络中的过平滑现象,在基准节点分类数据集PPI、REDDIT和Amazon上的分类准确率都有不同程度的提高。