图分类作为一类面向具有不规则拓扑结构数据的复杂分类问题,广泛存在于社交网络分析、机器视觉、脑科学以及生物化学药剂研发等交叉学科研究领域。由于其数据所蕴涵的非线性结构难以在欧式空间（Euclidean Space）中进行直接而有效地表示与计算,导致该问题无法简单采用传统机器学习方法进行直接求解,通常需要先将数据在其他可计算空间中进行嵌入表示处理。近来,图卷积神经网络等表示学习算法的提出为图结构数据的嵌入表示学习提供了有效手段,且强大的结构表征能力使其在结点分类及链接预测等一系列图数据挖掘任务中取得了令人瞩目的成就。但受限于图数据的节无序性和规模多变性,现有图表示学习方法在图分类这一任务的处理上仍存在结构特征过度压缩、结构语义不对齐以及未充分利用任务特性等缺陷与不足。因此,本文从子图特征分布的角度出发,并借助注意力机制以及?0正则化等技术,针对现有模型存在的缺陷与不足,对其进行了深入研究与改进。本文主要研究内容包括以下两方面:（1）提出了一种基于子图特征分布的图分类模型（SFD）。一方面,从局部结构考虑,通过设计非简单聚合式读出机制,将子图特征分布信息引入图级别嵌入表示的生成过程,能够有效避免局部结构特征信息因过度压缩而丢失的问题;另一方面,从全局结构角度考虑,通过采用批量对齐策略以及对齐损失约束,将不同图数据的子图特征进行对齐化处理,根据Wasserstein度量可以证明,对齐后的子图特征能有助于后续网络捕获子图结构分布之间的距离信息,从而更有利于模型发掘图数据之间的全局结构相似性。在多个图数据集上的一系列实验结果表明,SFD能够有效发掘数据中关键局部和全局结构信息,从而提升对图分类问题的处理能力。（2）在SFD模型基础上,研究了一种基于子图特征增强的图卷积神经网络（ESL）。一方面,从子图结构规模大小角度考虑,通过基于注意力机制构建多邻域自适应图卷积用于学习多尺度子图结构特征,提升图卷积网络发掘关键局部结构信息的能力;另一方面,从子图结构稀疏性角度考虑,通过?0正则化技术学习稀疏化图结构,并充分考虑图分类任务以及SFD模型特性,构建Dense-Sparse两路并联图卷积架构进行数据增强,以此将更多重要稀疏结构纳入子图特征分布统计,从而有利于SFD模型通过子图特征分布更好地衡量图数据间全局结构的相似性。在多个图分类数据集上的一系列实验结果表明,相较于GCN、GIN等经典卷积架构,ESL能够显著提高SFD模型对图分类问题的处理能力。