图作为一种广泛存在的数据结构,反映了现实世界中各类网络的点对点连接关系。但成对连接的图结构关系无法有效表达现实世界中高阶复杂的非成对关系,因此作为图的泛化表示的超图受到了广泛的关注。然而,基于超图的神经网络模型通常关注超图在一阶邻域的表示学习,而忽略了更高阶邻域的节点交互。此外现实世界中信息缺失是一种常见的情况,例如社交网络的个人敏感信息无法获取、传感器网络中数据损坏缺失等。当前超图表示学习通常假设节点具备完整的属性描述信息,即完整特征,并没有考虑缺失特征情况下的节点分类。因此,本文针对上述的问题和不足,从超图表示学习的节点分类任务出发,分别研究超图中的高阶邻域交互问题,及超图中的节点特征缺失问题。本文主要的工作和研究成果如下:（1）提出了二阶及三阶邻域近似谱超图卷积算子及混合高阶邻域的超图卷积网络模型（Hypergraph Convolutional Network with Hybrid High-order Neighbors,Hybrid HGCN）,用于完整特征情况的节点分类任务。利用截断切比雪夫多项式对超图邻域阶次进行K次限制,推导出基于二阶及三阶邻域近似谱超图卷积算子的超图卷积模块。在此基础上设计多通道形式的混合高阶邻域的超图卷积网络模型,实现将不同阶次超图邻域信息在节点中有效融合。实验表明,本文提出的邻域近似谱超图卷积算子实现节点与远距离超边信息融合;多通道混合策略的超图卷积网络模型有效地利用高阶及低阶邻域实现节点分类。（2）提出了结合贝叶斯深度生成模型的超图混合密度网络模型（Hypergraph Mixture Density Network,HMDN）,用于不完整特征情况的节点分类任务。将特征缺失场景抽象为特征不确定性问题,并利用混合密度函数表示缺失的节点特征。为了在混合密度中灵活嵌入高阶信息,本文进一步在超图混合密度中引入变分推断,给出了超图混合分布的对数似然函数及证据下界（Evidence Lower Bound,ELBO）,并设计了基于超图网络消息传递策略的推理及生成模型。实验表明,HMDN能够有效表示具有不确定性的不完整特征及优化节点的隐嵌入;基于变分推断策略的推理生成模型能够在混合密度中嵌入高阶信息,实现将不完整特征与超图拓扑信息有效地融合。（3）提出了联合标签传播的超图混合密度网络模型（Joint Learning of Hypergraph Mixture Density Network and Label Propagation,HMDN-LP）,用于特征高缺失率情况的节点分类任务。在HMDN模型上联合超图标签传播及嵌入策略,通过引入标签传播来进一步增强不完整特征的多层次表示。同时,提出了两种不同的标签嵌入融合策略,并构建了标签信息条件下的混合分布对数似然函数及ELBO。消融实验表明,标签传播策略对不完整特征的表示增强具有积极作用,在大部分特征缺失案例中进一步提高了节点分类准确率。