图卷积神经网络可以用卷积的方式在复杂的图结构数据上高效地提取特征信息,在近年来吸引了很多研究者的注意。但是大部分已有图卷积神经网络算法研究的对象都是单层拓扑图结构,在信息爆炸,万物互联的时代,这些算法其实已经不能很好地刻画我们实际生活中所接触的各种复杂的多层图。例如由于社交软件多元化,不同社交软件构成的社交网络就是典型的关联多层图;视频中每一帧根据任务需要可以抽象为一个拓扑图,帧与帧之间也是相互关联的多层图。为了更好地研究这种多层图（网络）结构,本文提出了一种基于图卷积神经网络,能够处理多层网络数据的算法框架,并且在多层社交网络链接预测和群体活动识别与预测两个任务上取得了良好效果。在多层社交网络链接预测任务中,本文利用注意力机制,挖掘多层网络各层之间的结构相关性,以及目标层的网络结构信息,从而对节点连接进行更精确的预测。具体来说,本文引入了三种不同的注意力层,即层内节点距离/度注意力层、层内邻节点注意力层和层间结构注意力层,以此来计算同一层内节点之间的影响和不同层间的链接相关性。与现有的多层网络链接预测方法相比,本算法只利用了网络的拓扑信息,为多层网络提供了一种更加通用的链接预测方法,在几个不同规模的真实数据集上进行了大量的综合实验。通过与现有的链接预测算法的比较充分证明了本算法的有效性以及不同注意力层的有效性。群体活动识别与预测是一项具有广泛应用前景的具有挑战性的任务。本文通过将群体中每一个个体视为节点并建立彼此之间的关系图,在前文多层图卷积神经网络算法框架的基础上提出了一种新的群体活动识别与预测算法。该模型在对每个个体进行检测和轨迹提取后,建立了一个具有层内节点注意力层和层间结构注意力机制的图卷积神经网络模型来分析群体活动。更进一步地,不同于其它算法只能对群体活动进行识别,本文的算法可以对群体活动加以预测。为了更准确地预测,我们引入了多层感知机模型以更好地对个体位置变化进行建模。本文在广泛使用的Volleyball数据集上重新标注了一些新的群体活动标签来训练和测试本文的预测算法,在对该数据集进行的综合实验充分展示本算法在群体活动识别和预测任务方面的优势。