随着信息技术的广泛发展,用复杂网络来建模复杂系统中实体之间的关系变得越来越流行,例如社交媒体中的社交网络,学术界的论文引用网络。图分析领域也受到了研究学者的广泛关注。图分析任务可大致分为两类:节点层次的任务例如节点分类、链接预测、节点聚类等;全图层次的任务例如图分类。大多数基于机器学习的网络分析算法依赖于图的表示。然而,传统图表示方法例如邻接矩阵不能映射出网络中复杂的结构关系。并且随着网络规模的增大,计算时间复杂度也增大。因此,旨在将网络映射到低维向量空间同时保存网络结构特征和属性信息的图嵌入学习成为研究热点。本文对图嵌入学习进行研究,具体包含节点嵌入学习和全图嵌入学习,提出了基于深度神经网络的图嵌入学习算法来生成节点或全图的嵌入表示,并用于节点层次或图层次的分析任务。本文的主要内容可概括如下:1)本文提出了基于深度自编码器的半监督节点嵌入算法,同时利用网络结构信息、文本特征和部分节点的标签信息来学习节点嵌入。大多数节点嵌入学习算法仅仅考虑了网络中的结构信息,忽略了丰富的节点特征和属性信息。并且这些算法采用了浅层模型,缺乏建模网络中高度非线性的结构特征。针对这些问题,在算法中设计结构保存模块来度量节点间的结构相似性,优化半监督损失函数来保证相同类别的节点具有相似的节点嵌入表示,并使用自动编码器建模网络中的高度非线性信息。在真实数据集上的大量实验表明所提出的算法在节点可视化、节点分类和节点聚类任务上的性能相比于对比算法的性能具有显著提升。2)本文提出了基于多层次图粗化的图卷积神经网络模型来学习全图的嵌入表示,并用于解决图分类任务。为了解决图卷积神经网络存在的过平滑、缺乏层次性和可解释性等问题,我们首先从图分析的角度重新阐释了图像分类的卷积神经网络框架,然后将图像分类的网络框架进行拓展,进而提出了用于图分类的两步图神经网络模型。在该模型中设计了一个自适应结构粗化模块来生成一系列不同尺度的粗化图,然后基于这些粗化图构造图卷积神经网络学习全图嵌入。所提出的算法具有在不同层次上学习全图嵌入表示并保存图中局部结构信息和全局结构信息的优点。在多个基准数据集上的图分类实验结果和分析表明,所提出算法的性能优于对比算法的性能。