图作为一种广泛存在于自然界的数据结构,主要由结点以及结点间的边关系组成,其中结点用于刻画某类对象,对结点进行有效分类可以挖掘图中诸多性质,因而蕴含巨大价值。但由于图是一种非欧式结构数据,每个结点具有不同数量的相邻结点且排列顺序任意,这给图结点分类任务带来了困难。随着图神经网络（Graph Neural Networks,GNNs）的出现与发展,图结点被表示成低维稠密特征向量的同时又保留了一定结构性信息,这大大促进了结点分类任务的发展,因此越来越多图模型将研究的重点放在图神经网络上。图神经网络主要采用图卷积进行当前结点与邻域结点的聚合学习,但大部分图神经网络模型仅仅考虑一跳邻域结点,导致了单层卷积算子难以对远距离结点进行有效捕获,且无法灵活改变感受野范围。针对这一问题,本文从空间卷积方法入手,提出了基于多跳层级卷积的图神经网络模型（Multi-Hop Hierarchical Graph Neural Networks,MHGNN）,提升了感受野范围与灵活性。在此基础上,本文进一步提出了基于多尺度结构的多跳层级图神经网络（Multi-Scale Multi-Hop Hierarchical Graph Neural Networks,MSHGNN）,改进原模型使其具有自适应感受野学习能力,同时抑制图神经网络的过度平滑问题（Over-Smoothing）。本文就图神经网络主要进行了如下两方面工作:1)提出了多跳层级卷积图神经网络模型MHGNN。利用空间卷积的特性,将不同跳结点按层同步向目标结点聚合,以实现对K跳邻域结点信息的捕获,从而提升感受野范围。同时,聚合方式的选取更加灵活,可组合成更为复杂的函数。并且,借鉴自注意力机制对跳特征进行注意力加权,关注重要跳特征。在九个图结点分类数据集上的实验表明,更广更灵活的感受野有助于提高模型对结点分类的处理能力。2)在MHGNN模型基础上,进一步提出了多尺度多跳层级图神经网络模型MSHGNN。该模型使用并行层级卷积与注意力跳跃连接相结合的方式,在并行层级卷积中同时计算不同感受野的层级卷积算子,并使用通道池化进行过滤;在注意力跳跃连接中,将不同尺度的中间层特征送入自注意力机制进行自适应感受野学习,并使用结点距离约束辅助分类器进行训练。在结点分类数据集上的一系列实验表明,MSHGNN网络具有更强结点表示能力,模型泛化性能进一步提高。