现实世界中的许多数据,例如社交网络,化合物,生物蛋白质等,通常可以用图结构来建模描述对象或组织间复杂的相互关系,从而将对此类数据的分析抽象为图分类问题。然而图数据是一种非欧几里得结构数据,其不像欧几里得结构数据排列整齐。对于图数据中的不同节点,其邻居节点的数量是不固定的,同时由于每个图结构中节点的排列顺序可能不同,难以定义出欧几里得距离。因此需要将图数据嵌入到合适的欧几里得向量空间来解决图分类问题。最近,出现了很多基于深度学习的方法来处理图结构数据,在节点分类和链接预测的任务中取得了巨大的成功。然而处理图分类任务时,仍然存在很多不足。本文分别从空间卷积和结合注意力机制的这两类方法着手,对基于图卷积网络的图分类方法进行分析与研究。具体研究内容如下:(1)基于重要节点结构特征的空间卷积图分类针对现有空间卷积方法在选择中心节点序列时仅依靠单一指标或节点的结构特性来衡量节点的重要性会丢失部分重要节点的弊端,首先提出一种基于多个指标来评估图中节点重要性的组合赋权法。之后对于输入到卷积层的节点特征单一性问题提出从局部和全局两个方面选择多个节点特征,保留了更多的图结构信息。最后提出在卷积层后引入通道连接层,从而可以根据邻域图的分类来确定整个图的分类结果。在7个基准数据集上的实验结果表明提出的方法优于一些经典图核和基于深度学习的空间卷积模型。(2)基于节点级和子图级注意力机制的图分类针对现有结合注意力机制的方法会忽略部分节点信息或存在的边信息等问题,首先提出对初始节点特征矩阵进行增强并聚合其邻居信息,然后在节点级应用注意力机制自动学习每个节点的重要性来选择节点序列从而生成子图结构,之后用图卷积层学习子图表示并在子图级应用注意力机制学习不同生成子图的重要性,最后将图卷积层学习到的所有子图表示与对应的重要性系数进行加权求和得到一个图表示。同时多次初始化权重查询可生成多尺度图表示。在4个带节点标签的数据集上的实验结果证明得到的最终图表示保留了图的丰富信息,提高了分类精度。