随着互联网的发展,网络已经成为人们日常生活中必不可少的一部分。人们获取新闻时事的主要渠道已经由传统的纸质版媒介转化为以互联网为载体的网络新闻。通常一则网络新闻包括描述时事的新闻文本和直观反映时事的新闻配图。然而有些不良媒体为了谋取高的新闻流量、迎合读者的猎奇心理,刻意给新闻配以与新闻内容无关但很吸引人的配图。如果不及时检测此类新闻,会浪费读者的时间精力、使公众对事实产生误解、误导社会舆论走向,从而破坏网络新闻生态。因此甄别图文不匹配的网络新闻已成为当下亟需解决的社会问题。近年来利用图像描述进行图文匹配性检测的方法取得了一定的进步。然而新闻文本中存在大量的命名实体,现有图像描述方法并不能直接生成带有命名实体的新闻配图描述,这导致新闻文本与新闻配图描述之间存在巨大的语义差异,无法直接使用现有方法检测新闻的图文匹配性。一些研究工作尝试了为图像生成带有命名实体的描述方法,但是缺少分析新闻场景中命名实体之间的关联,因此常常会导致生成的描述中实体关联关系错误。为解决上述问题,提出了基于GNN的新闻配图物体关系发现机制研究,主要工作和创新点如下所述:第一,为了使用新闻的相关文章扩充新闻配图的背景知识,本文构建了TopNews新闻数据集。与其他的新闻数据集不同的是,TopNews新闻数据集中既包含新闻的配图和文本,也包含新闻的相关文章。此外,本文为TopNews数据集人工标注了新闻的图文匹配性,为后续构建新闻知识图谱、分析实体间关联提供了基础。第二,为了准确地发现新闻场景中命名实体之间的关联,本文构建了新闻知识图谱来准确地在新闻场景中刻画命名实体之间的关联,为后续分析实体之间的关联奠定基础。第三,为了分析新闻知识图谱中命名实体之间的全部关联,本文给出了新闻知识图谱驱动的图神经网络（News Knowledge Graph Driven Graph Neural Network,NKD-G NN）。该网络在提取新闻知识图谱的表示向量时,分析了新闻知识图谱中实体间的关联。第四,本文在TopNews新闻数据集上进行了验证。实验结果表明,本文的方法可以有效的甄别新闻的图文匹配性。