随着图深度学习强大的特征提取能力被不断发掘,越来越多的研究者将目光投入到了这个领域。图是一种非结构化数据,它能更好地描述这个世界从而完成各项任务,在计算机视觉领域图深度学习能完成图像识别、图像分割等任务。这些任务都可以利用超像素算法作为图像预处理方法作为第一阶段的特征提取和图嵌入,此时图像数据是非结构化的数据表示,使用标准的卷积方法提取特征困难,但使用图卷积方法可以轻易地聚合信息从而更新节点。同时,因为一个超像素聚合了数十个甚至上百个像素点,从而达到了信息聚合和冗余信息的去除,这样在某些任务上可以减少特征提取的难度,提升模型性能。本文在介绍常用的图神经网络和图卷积算法后,聚焦于完成两个任务:图像识别和高光谱图像分类。首先,本文提出了基于超像素的图卷积神经网络用以完成图像识别。这是一个具有挑战性的方向,在先前的研究中多数只简单使用灰度化的Mnist-75数据集来完成图像识别任务,既没有使用多个数据集验证,也很少有探讨超像素图结构对图卷积特征提取的影响,同时也很少设计图神经网络专门完成超像素的图分类任务。基于此,本文使用了深度学习中的残差结构,在Concat操作下结合各层信息以利用不同粒度的图信息,挖掘不同层与层之间的关联性。同时用提高类间距离与差异和类内紧凑度的损失函数监督整个网络的特征学习过程。在多个数据集上验证本文介绍方法的在图像识别任务上的可行性,也对比了空间域方法和频谱域方法的结果。除此之外,本文还探究了超像素个数对于图卷积方法特征提取的影响,实验中分别使用不同超像素个数在三个常用的公开数据集上,同时实验了有向图和无向图对图神经网络的影响。其次,本文同时使用标准卷积方法和图卷积方法,结合超像素级和像素级特征提出了基于多尺度特征融合的高光谱图像分类方法。高光谱图像分类是对分类数据中每个位置的点,就像计算机视觉领域的图像分割一样,但是以卷积为基础的模型是为结构化数据设计的,它们常常忽略相邻土地覆被之间的某种固有关联,以图卷积为基础的模型虽然可以结合超像素获得相邻块之间的关系,但有缺乏近邻像素点的局部联系。本文提出的方法使用了两个分支来完成任务,一是以标准卷积为基础的卷积神经网络分支,该分支使用空间-频谱卷积作为卷积模块;二是以图卷积为基础的图神经网络分支,该分支使用了前文所用到的残差模块和Concat操作。这两个分支分别利用基于像素点的图像信息和基于超像素块的图结构信息,在最后完成对两个分支的特征融合,可以使网络学习到多尺度的图像信息。实验完成于多个数据集上,对比了只使用图神经网络的方法和只使用卷积神经网络的方法,最后综合得出本文所提出方法的有效性和鲁棒性。