图分类是图挖掘领域的重要研究方向之一,被广泛应用于许多实际领域。现实世界中的常见数据,如社交网络、城市交通网络、化学分子网络等,通常可以表示为图结构。基于图结构数据的分类任务在生活中有诸多应用,如判断化学分子结构的理化特征,将蛋白质分子结构用于新药发现等。因此,利用现有神经网络模型实现准确图分类具有重要意义。近年来,图神经网络在节点分类和链接预测等方面取得了很好的进展。在图中,除节点包含大量特征信息外,由两个及以上节点构成的节点集合所表示的高阶结构也具有丰富的语义信息,如化合物分子中的官能团对分析整个分子的性质有重要作用。然而,在利用图神经网络实现图分类时,一般方法是为图中的每个节点生成嵌入表示,然后将这些节点嵌入全局聚合起来,作为图的特征。这种方法存在两点局限:一是仅使用图中顶点和边的信息用于分类,缺乏对高阶图结构信息的关注;二是模型缺乏层次结构,自然构成的网络结构本身就是由单个节点互相关联而成,其中蕴含了大量的结构语义,以分层的方式学习图的表示对于捕捉图中存在的局部结构非常重要。为了开发出有效的图分类模型,需要充分利用图结构固有的丰富信息以及包含在图节点和边上的特征信息。针对上述问题,本文提出了基于高阶结构嵌入的图分类模型和融合复合池化的特征增强模型。在图数据的处理过程中,首先使用增量式的卷积操作,通过逐阶聚合高阶结构信息,并在层次化模型中使用新的复合池化机制,针对池化后的子图节点,根据节点特征和高阶结构信息综合得出一个子图的重要度得分,从而保留多阶结构上的语义信息,最终得到更加完整的最终特征表示。本文的创新点如下:（1）高阶结构嵌入模型可以有效利用图的结构信息,处理给定图的简单和复杂多元结构以及它们之间的关系。利用高阶结构的关键在于它们直接在子图之间传递消息,而不是在单个节点之间传递,这种高阶形式的消息传递可以捕获节点级别不可见的结构信息;（2）设计新的池化机制,在复合池化过程中同时考虑子图特征信息和图拓扑信息来决定被保留的节点,对于选择池化子图后的特征生成,使用特征融合以确保池化子图的特征表示包含来自图的充分有效信息;（3）进一步的,提出融合高阶结构嵌入与复合池化的图神经网络模型,来处理图分类问题,并在常用基准数据集上验证了模型效果,通过消融实验分别对高阶结构嵌入和复合池化的作用进行了分析与验证。此外,与已有方法相比,在公开的图分类数据集上的实验结果表明,融合了复合池化的特征增强算法在分类效果上具有明显优势,能够更好在实际分类任务中发挥作用。下一步研究工作,可以针对现实中不同领域图数据进行研究,推动图分类在各个专业领域的落地。