伴随着信息时代的到来,在互联网和大数据技术快速发展的环境下,出现了各种各样的海量数据。其中非欧氏空间的图数据在现实生活中具有极其广泛的应用场景。针对处理不同种类数据的技术也日益完善。其中在深度学习领域中,关于从数据中学到知识的方法近年来也不断发展,图神经网络的提出专门用来处理非欧氏空间图数据,已成为不少科研学者聚焦探索的领域方向。考虑到图数据复杂的结构特征,探索对节点信息及其相关邻居信息的聚合和表示的表示是图神经网络的本质问题。将应用于欧式空间数据的卷积网络迁移到复杂的图数据,设计出能够聚合和表示节点信息的卷积核是图卷积神经网络的核心思想。当前图卷积模型深度大部分都是2-3层,无法像卷积神经网络一样堆叠很深的卷积层。究其原因是多层图卷积神经网络易出现过平滑问题。过平滑问题导致在某些现实场景中,图卷积神经网络的学习能力十分有限。针对当前算法存在的不足之处,本文利用深度学习强大的特征表示能力来解决过平滑问题,旨在提高图数据中全局特征的表达能力。本文深入分析图卷积神经网络的信息传递框架,设计出一种利用全局信息表征的图卷积网络层之间的级联结构。这种密集连接的网络结构有效促进了层间信息交流,提高了图卷积神经网络对局部特征信息的有效利用,进一步提高了全图信息表示能力。此基础之上在读出操作之后引入自注意力机制,计算出每一层图集特征的重要性得分,有选择地对特征信息进行表达和聚合,更高效地完成对图数据的状态更新。为了提高算法的运行效率,减少多层图卷积模型中不必要的冗余计算。基于图卷积神经网络本质上是个低频滤波器,有效信息大多聚集在低频部分的理论研究。本文进一步提出用线性激活函数代替常用的非线性激活函数,理论上分析出这种简化之后的网络模型依然可以提取低频阶段的信息,其特征提取的过程可认为是利用固定的“卷积核”提取每个维度的特征。本文选择图分类作为验证所提出模型性能的下游任务,实验结果证明这种密集结构的图卷积模型确实能有效聚合局部特征信息和全局图级信息,经过简化之后的线性模型在性能上也并未产生负面影响。