图作为一种通过边连接的关系型数据结构,可以有效对现实生活中大量复杂数据进行建模,在社交网络、生物医学和知识图表等领域有着重要应用。然而,大多数工作往往没有区分图中对象及其关系的异质性,造成了不可忽视的信息损失。这些数据可通过异质图来建模和表示,因此异质图不仅可以融合不同类型对象及其交互,还可融合不同模态的数据信息。此外,受深度学习方法的启发,图卷积网络出现并尝试解决图嵌入表示学习问题,但是如何将深度学习方法直接应用于异质图仍然存在挑战。本文引入深度学习以获得更鲁棒的嵌入表示并尝试解决异质图间度量问题。本文工作主要包含以下两个方面:（1）针对异质图高判别性嵌入表示学习问题,提出一种双注意力图卷积网络模型。通过在图卷积网络中引入双注意力机制,分别从节点级别和语义级别捕获短期和长期语义依赖性,缓解嵌入表示难以学习问题。具体而言,一是提出的连接注意力模块采用注意力权重作用于邻域节点,从而聚合节点级别的信息。二是提出的层级注意力模块在消息扩散过程中将注意力权重应用于不同尺度感受野,从而聚合不同语义级别的信息,使模型更多地了解上下文的分布。相比于经典学习方法,本文提出方法在半监督节点分类和跨异质图检索任务中获得了优异的性能。（2）针对异质图距离度量问题,提出一种基于图Wasserstein关联性分析的跨异质图匹配模型,首次将图Wasserstein距离引入到两个图间的度量。具体而言,首先引入频谱滤波编码图信号,然后将编码后的图信号作为概率分布嵌入到Wasserstein空间中并定义为Wasserstein度量学习。图信号滤波和图距离度量的结合,不仅捕获图信号分布的相似性从而更好反映不同异质图拓扑结构,还保留了嵌入空间的传递性。经理论分析表明,图信号滤波与度量学习在学习的过程中产生一致性并且模型的解可归结为经典广义特征值分解问题。实验中构建并交叉比较了多个异质图,实验结果表明该方法在跨异质图检索任务中的有效性,并且获得了优异的性能。