近年来,图神经网络在社交网络、推荐系统、分子化学和知识图谱等领域取得了显著的成果。一方面,它解决了深度学习方法难以处理非欧式空间数据的问题,另一方面,它提供了一种对非规则数据提取特征的方法。图结构数据是生活中广泛存在的一种数据结构,与欧氏空间的数据不同,图结构可以更好的反映节点之间的联系。随着图神经网络的迅速发展,许多针对图结构数据的研究也如雨后春笋般涌现,这些研究主要包括节点表示、链接预测和图学习等。图学习旨在利用已有的图结构信息以及节点的特征得到一个更好的图的表示,以便于更好的服务于下游分析任务。此外,现实世界中的图常常会夹杂噪声、不完整或是无法获取,图学习可以很好的解决这些问题。本文在图神经网络的基础上对图学习方法进行了研究,主要的工作如下:（1）提出了一种用于解决图学习问题的通用框架,该框架将图学习模型分解为特征表示模型和图优化模型两部分,然后用双层规划问题的优化框架去交替优化这两个子模型,从而简化了在不同任务场景下,图学习模型的设计过程。（2）针对图中存在噪声和图结构不完整的情况,提出了一种基于特征表示与自适应节点邻域的图优化模型。该模型先通过图卷积网络来学习图中节点的隐特征表示,然后基于学习到的隐表示,用自适应节点邻域模型来优化节点的图结构,优化后的图既可以用于节点分类任务,又能在链接预测任务上保持不俗的效果。（3）针对图结构缺失的情况,提出了一种特征表示与注意力机制的图生成模型。该模型通过图的频谱卷积生成节点的全局邻接信息,同时用注意力机制捕捉图的局部结构,由此得到一个有效的邻接矩阵。并通过对节点隐特征表示的可视化,及其在节点分类任务上的表现验证了所提出的图生成模型的有效性。