随着信息技术的发展,异质数据已经成为信息的主要形式,现实世界的很多异质数据可以被直观地建模为异质图。节点分类是异质图分析领域当中非常重要的研究课题,被广泛地用于相关信息推荐、电影类型分类、虚假评论检测等领域。基于元路径的图分析可以有效提取异质图中的信息,并服务于节点分类任务。然而,现存的基于元路径的节点分类研究中,普遍没有通用便捷的元路径选择方法,具有大量邻居的节点会降低节点分类模型的准确率并增加其时间复杂度,图中的链接异常也会严重影响节点分类性能。针对以上问题,本文提出并优化了一种基于图卷积网络的异质图节点分类模型,该模型主要工作如下:（1）设计基于高阶元路径的图卷积网络节点分类框架。该框架着眼于高阶元路径具有的特殊含义,筛选出有助于节点分类的元路径。此框架还包含一个新颖的异质图卷积网络,在每次信息传递步骤中,它都会收集并聚合来自不同高阶元路径的信息,并将最终聚合的信息生成节点嵌入用于节点分类。（2）提出基于高阶元路径的带权邻接矩阵及图卷积层计算优化方案。针对具有大量邻居的节点带来的不利影响,该方案通过上述邻接矩阵的计算减少这些节点的影响权重,同时通过优化图卷积层的计算方式,模型时间复杂度降低多个数量级。相对于最先进的方法,优化后的模型的准确率提升1.24%～4.01%。（3）构造一种带有数据增强的节点分类方法。为缓解链接异常对节点分类的影响,该方法通过基于图卷积网络的链接预测器预测链接存在的概率,然后根据链接概率添加本该出现的链接并删除异常链接,从而数据增强得到去噪后的新图,最后将新图作为前面提出的节点分类模型的输入。实验证明,数据增强对本文提出的模型和经典图神经网络架构的准确率分别提升了 0.31%～1.35%和0.35%～1.91%。上述三部分工作利用图卷积网络技术分别从元路径选择、降低具有大量邻居的节点的影响、去除链接异常带来的噪声3个角度出发,提炼了对节点分类具有意义的信息并去除了噪声。实验证明,本文提出的基于图卷积网络的异质图节点分类模型具有优异的性能。