移动互联网的高速发展带来了大量具有图结构的数据,如社交网络等,这些具有图结构的数据越来越得到人们的关注。为了深入挖掘空间结构信息,人们提出了图卷积神经网络。然而,图卷积神经网络虽然能很好的挖掘出图结构的信息,但当一个新的领域出现时,训练好的神经网络并不能不加修改的直接应用于新的领域。迁移学习可以利用已有域即源域的知识帮助解决新的领域即目标域的问题。根据源域的个数,可以分为单源域和多源域,单源域实际上是多源域的一个特例,因此本文主要研究多源域的情况。本文根据源域与目标域特征空间的异同,提出了两种基于图卷积神经网络的迁移学习方法,分别解决同构社交网络图模型下的节点识别问题和异构社交网络图模型下的节点识别问题。针对同构社交网络图模型下的节点识别问题,首先,本文提出了一种基于混合度量的分布距离衡量方法,选择分布距离与目标域较小的源域进行融合,然后对融合的源域和目标域进行分布对齐,减小它们的分布差异,最后使用图卷积神经网络提取他们的空间特征信息,预测目标域标签。最后在具有图结构的公开数据集上验证了本文的多源同构迁移学习方法,证明了该方法的有效性。针对异构社交网络图模型下的节点识别问题,首先,本文利用目标域少量标签数据来对源域进行异构转换,解决图卷积神经网络不能直接处理节点特征异构的问题,然后考虑源域之间的异构性,本文训练出多组图卷积神经网络,利用其较强的表征能力来挖掘不同源领域与目标域的共享信息,最后进行加权融合。并在舆情数据集上测试了本文的多源异构迁移学习方法,与非迁移模型相比取得了更好的效果。