随着软件系统规模的不断增大,其复杂性也随之剧增,软件工程师的开发与维护工作量也明显加重。近年来一系列研究表明,软件系统中存在一些关键度较高的类,即关键类。这些类通常位于软件系统拓扑结构的核心位置,如果关键类出现失效的情况,将对软件系统拓扑网络的连通性能造成较大破坏,因此关键类上存在的缺陷将对系统带来极大安全隐患,另外识别软件系统的关键类对工程师理解或维护一个不熟悉的软件系统同样至关重要。复杂网络理论的兴起,为研究大型软件系统的特性开辟了一条新的途径,其中复杂网络中节点重要性排序方法也为软件系统中关键类的识别提供了一个新视角,并已提出了许多相关方法。现有的基于软件网络的关键类识别方法,一部分聚焦在改进软件网络建模策略,另一部分则是从网络功能（如抗毁性、传播影响力）和拓扑结构（如聚类系数、度相关性、中心性）等方面改进节点重要性度量指标（手工的度量指标）。近年来,深度学习范式（如卷积神经网络（CNN）、长短期记忆（LSTM）和自动编码器）彻底改变了依赖手工的特征工程来提取信息特征的局面。图神经网络也因此被启发用于自动处理图数据,并成功应用于社交网络、信息网络,也存在将图神经网络应用于商品评价网络或知识图谱的关键节点识别任务的研究。然而迄今为止,笔者暂未发现有利用图神经网络来识别软件系统关键类的研究。为此,本文尝试在软件网络上利用图神经网络进行节点的重要性学习,实现软件系统中关键类的识别。本文参考应用于其它领域的图神经网络框架并对其进行改进使其适用于软件系统关键类识别任务。首先通过对软件系统源代码进行解析,抽取类之间的依赖关系和依赖强度,构建加权软件网络模型。其次利用网络嵌入学习将软件网络中节点映射为一个低维表征向量;然后构建一个基于图自编码器的排序模型,以得到的节点低维表征向量作为编码器输入,将每个节点进一步编码为一个特征向量,再在一个多层感知机上使用成对排序（pairwise ranking）损失函数训练模型,将每个节点解码为一个评估值。最后,从网络鲁棒性角度利用三个指标评价关键类的识别准确性。通过在人工的复杂网络上进行模型训练,再在4个实际的面向对象Java开源软件上进行验证,并与常用的5种度量方法和3个已有工作进行对比分析。实验结果显示:从网络鲁棒性角度评价,与常用的介数中心性、K-core、接近中心性、节点收缩法和Page Rank方法相比,本文所提方法在识别软件系统中关键类的效果上更好;另外,在已有公开标注数据集上,本文方法前15%的关键节点的召回率和准确率效果更好,其中召回率和准确率提高幅度均在10%以上,最大可达80%。研究成果可以应用于指导软件开发过程中的关键类查找,为软件工程师提供一个类的排序列表,作为代码理解过程的起点和维护依据。