近年来科学文献分析已经成为热门研究问题之一。通过对科学文献进行构建复杂网络分析研究,挖掘科学文献的内在规律可以熟悉前沿科研动态,获取科学领域内重要科研人员,掌握重点科学领域的研究现状和发展趋势。这是科学文献情报分析的重点,同时也是情报分析领域的重要问题之一。但是传统的科学文献分析方法大多停留在宏观问题上,如仅仅关注影响评估等工作,而对科学文献中科研人员的主题合作,以及某领域内研究主题演化等内容缺乏一个详细的分析研究。针对以上问题,本文应用改进的图神经网络卷积层对物理相关领域科学文献构建学术网络并进行分析研究,结合学术网络的网络结构和属性信息,从科学文献中人员研究主题以及某领域内主题演化等角度出发,应用于情报分析中人员分析。具体的内容和本文的贡献如下:首先,获取和处理物理相关领域文献数据。从文献的发表数量变化,重点科研人员分析,以及科研论文主题演变等多个角度分析研究学术文献领域内的动态变化过程。通过基于申请数据集和网络爬取的方式获得物理论文相关文献数据,通过统计分析科研人员论文数据变化,论文主题演化趋势等,总结文献中科研人员及研究主题的发展趋势。其次,提出了基于图神经网络的学术网络表示学习模型（AN-GNN）。采用改进的图神经网络卷积层,依据原始图卷积神经网的信息传递规则,设计出改进的两层卷积网络消息传递模型,联合节点属性信息和结构信息,学习学术网络中节点的低维向量表示,并用于进一步的社团检测、链路预测等任务,或者直接可视化网络节点的空间分布以直观的展示网络中节点的亲属关系。基于开源数据集的实验,验证了所提出模型的有效性和先进性。最后,应用提出的图神经网络模型,从论文引用网络,合作网络等学术网络中,挖掘科学文献重点科研人员之间的合作及领域内研究主题的演化规律。通过构建作者合作网络,研究机构合作网以及动态引文网络,通过中心性评估,社团检测和数据可视化等复杂网络分析方法,基于科研人员或机构的视角,分别从宏观和微观方面,展现出科研领域的重点主题和科研人员的合作团体关系。综上,本文针对学术网络内容相关分析研究的问题,提出了改进的图神经网络表示学习模型,该模型可以充分的利用学术网络的结构信息和属性信息,挖掘出学术网络中的团体合作,研究主题以及演化过程等信息,发现学术网络作者或机构的合作及论文引用关系的日趋紧密等现象。也为科技情报分析工作中的复杂网络分析提供了参考与验证。