图节点分类在社交网络、电子商务和疾病预测等领域有着广泛的应用。图结构的复杂性给现有分类算法的应用带来了挑战,因此探索高效的分类算法具有重要的现实意义。本文主要基于图卷积神经网络和超图神经网络对节点的半监督分类方法进行研究。在图卷积神经网络的节点分类方法中,初始的图结构往往存在噪声,直接将其送入网络模型中训练,模型的分类准确率会受到影响。因此本文首先在已有的图神经网络架构上改进,设计一种融合图结构和节点属性信息的度量方法,用于减少底层图结构中的噪声。此外,考虑在表征成对关系的图结构上挖掘信息时,存在全局特征信息不完整以及忽略了对象之间高阶关系的问题。通过将图扩展到超图上,在动态超图神经网络上进行改进,设计出联合图随机游走和跳跃连接的动态超图神经网络（RWS-Dynamic Hypergraph Neural Networks,RWS-DHGNN）,用于获取数据间的全局特征信息和高阶相关性信息。本文工作和研究成果如下:1、基于图结构和节点属性信息结合的节点分类网络。针对迭代深度图学习（Iterative Deep Graph Learning,IDGL）网络在度量节点间相似性时只利用了节点属性信息,忽略了几何拓扑结构关系,设计一种融合图结构和节点属性信息的度量方法。通过联合考虑图底层几何结构和节点属性信息,增加了邻接关系来度量节点间的结构相似性,使得节点间的相似性计算更加准确,从而减少学习到的图结构噪声。通过实验证明所提方法相比于IDGL等方法具有良好的分类效果。2、联合图随机游走和跳跃连接的动态超图神经网络。相对只能建模二阶关系的图而言,超图可以更加准确地表征对象之间的高阶关系。针对超图神经网络难以提取节点直接邻域外关联度高的节点特征,导致全局特征信息不完整的问题,设计出联合图随机游走和跳跃连接的动态超图神经网络（RWS-DHGNN）。该网络结合了动态超图神经网络、图随机游走和跳跃连接的思想。首先,在DHGNN的基础上引入了图随机游走,从而有效地获取直接邻域外关联度高的节点特征。同时,在超图的顶点卷积处增加跳跃连接构成残差结构,提高模型的分类性能。RWS-DHGNN模型有效地发挥了图结构和超图结构的优势。实验结果表明,相比于GCN、HGNN和DHGNN等网络,所提网络有效提升了节点分类准确率。综上所述,本文主要对图卷积神经网络和超图神经网络的相关技术和算法进行研究,分别从减少图结构噪声和增加全局特征信息两个方面来提高节点分类准确率。