社区是复杂网络中的一种内部紧密连接,外部稀疏连接的结构。社区发现就是在复杂网络中找出社区结构。图神经网络是一种用于处理图数据的神经网络,其中的图卷积网络（Graph Convolutional Networks,GCNs）和图注意力网络（Graph Attention Networks,GATs）近年来逐渐被运用于社区发现任务。此外,还有将马尔可夫随机场模型（Markov Random Field,MRF）融入卷积层的衍生方法。然而这些方法在同一层中只能提取节点的一阶邻域信息,无法兼顾节点的高阶邻域带来的影响。在MRF融入卷积层的衍生方法中也存在能量函数设计不全面的问题。因此,基于图神经网络中的GCN和GAT并结合MRF模型提出了一种端到端的社区发现方法。设计了一种多阶的图注意力机制,通过该机制可以在同一个网络层内提取出节点的高阶邻域信息,解决了当前图注意力网络在同一层中只关注节点一阶邻域信息的弊端,亦可避免因加深网络而带来的过渡平滑问题。设计了一种聚合策略将提取到的多阶邻域特征聚合起来作为该层的输出。在神经网络的最后一层引入改进的MRF模型,设计了一个能量函数的表达公式。对于成对势中节点间相似度的计算,提出了一个改进的联合相似度计算方法。该方法结合了拓扑结构相似度和节点特征相似度,并且考虑了节点影响力对社区划分的影响。通过最小化能量函数对社区粗划分进行细化。对比当前图神经网络中的两种主流算法:GCN和GAT,以及一种结合了GCN与MRF模型的方法（MRFas GCN）对5个LFR人工网络数据集（LFR0-LFR4）、7个真实网络公开数据集（包括3个论文引用网络和4个大学网页引用网络）以及1个城市网络数据集进行实验,得到多组社区划分结果。实验结果表明,提出的方法在准确率、标准化互信息（NMI）等社区划分评价指标中有更优的表现。