随着无线通信技术的发展,人们对基于位置的服务的需求也日益增加,通过无线定位技术可以方便开展基于位置的服务,因此,对无线定位技术的研究是非常重要的。近年来深度学习已经在各个领域得到广泛的应用,其中图卷积网络的出现解决了非欧式空间的结构难以被处理的难题,由于移动通信网络是一种天然的图结构（非结构化）,可以通过图卷积网络对移动通信中的问题进行数据分析和处理,因此,本文将图卷积网络应用到移动通信网络场景来实现对目标用户位置的推断,主要工作如下:首先,本文介绍了常见的定位方法,这些方法通常需要目标用户和3个以上基站进行交互才能对用户的位置进行估计。本文设计了一种新颖的无线定位方法,基于MAC（Media Access Control）层和物理层数据,利用各基站侧的已知信息和用户上报给基站的信息,并且结合基站资源调度的过程和结果,通过图卷积网络模型对其进行端到端学习,完成对目标用户位置的推断。其次,本文阐述了如何将移动通信网络构建为图结构数据,具体方法是将用户和服务基站之间的信号链路信息映射为节点,将不同基站覆盖范围内的用户之间的同频干扰映射为节点的边。接着介绍了本文设计的图神经网络模型,将其命名为GCNWL（Graph Convolutional Network Wireless Locating）模型,由图卷积层和全连接层组成,第一层图卷积的输入是经过数据处理后的图数据,具体表现为图数据对应的特征矩阵和邻接矩阵,最后一层图卷积的输出在经过维度转换后作为全连接层的输入,最终全连接层将输出所有目标用户的位置向量,向量的维度是用户数量,向量中的元素是各用户和其服务基站之间的相对角度。由于用户和服务基站之间的距离很容易测得,若能得知相对角度,便可计算出用户具体位置。最后,本文基于图注意力机制设计了一种图注意力模型GAM（Graph Attention Model）,可以对关注节点赋予较大的权重,节点之间的权重系数反映的是用户间同频干扰的强度大小,因为同频干扰的强度与用户位置分布有一定关系。GAM模型与传统的图卷积网络的区别在于图卷积网络执行卷积过程时使用的是具有邻接信息的拉普拉斯矩阵,而在GAM模型中使用的是由拉普拉斯矩阵和注意力矩阵计算得到的关注矩阵;并且,节点之间的关注权重不会随图神经网络的层数变化而变化,这也是与一般图注意力机制的区别;最后将GCNWL模型中的GCN（Graph Convolutional Network）层替换为GAM,并且在GAM的输入中增加了注意力矩阵,可以获得中心节点与不同相邻节点之间关系的差异,进而提高定位性能。