近年来,深度学习迅猛发展,在诸多应用领域取得了令人惊喜的成绩。从语音识别、机器翻译、图像识别到计算机视觉都有相关的理论突破与实际应用落地。然而随着信息技术的发展,承载信息的载体不仅仅局限于文字,音视频或者图像等数据。以社交网络、引文网络、通讯网络和生物网络为代表的关系型数据也包含了许多信息。图卷积网络(GCN)是利用深度学习处理图相关任务的一种模型,能够将节点的内容信息和连接信息进行融合。然而现有的图卷积模型目前还存在一些问题,例如:卷积核参数不可训练、节点的邻接节点信息没得到很好的利用、随着网络的传播,无法维持图的局部结构。针对这些缺陷我们做了以下的工作。1)已有的图网络模型将节点的直接邻居或者间接邻居作为节点的邻域,虽然扩展了节点本身的信息,但是会造成邻域的变化将多余的节点加入邻域或者忽视关键节点。针对这一问题我们提出了确定大小的邻域的构建方法,并在该邻域上定了卷积操作。以往的方法仅仅只是简单的将节点的直接邻居或者间接邻居作为邻域,而我们的模型先将节点的邻居以及间接邻居加入到备选邻域,然后根据备选邻域内节点的度对节点进行排序,选择度较大的节点放入邻域。确定大小的邻域可以保留下与节点相关性最高的部分。实验表明本模型可以很好的构建出节点的确定大小的邻域,最大程度的保留有效邻域节点。2)节点邻域内的节点与节点本身是存在一定关联的,但是已有的方法却等同的对待这些节点忽视它们之间的联系。因此针对这一缺陷,我们在确定大小的邻域的基础上进一步提出了有序邻域的构建方法。该方法先以确定邻域方法构建出确定大小的邻域,再根据邻域节点的属性计算邻域节点之间的相似度,根据相似度构建节点之间的加权图,以加权图为基础,构建有序邻域。在有序领域上重新定义卷积操作。实验表明本方法构建出的有序邻域可以在训练的过程中很好的保持图的序结构。3)根据以上提出的算法,实现了深度图网络的医学数据分类系统,通过对病人的不同时间段的医学数据进行分析构图。构建出病人在不同时间段的演化规律来提升不同时间段的病人的诊断准确率。