在现实世界中,数据通常被组织成图的形式广泛应用于各个领域中,如城市交通网络,电力网络等;图数据中包含着丰富的信息,对图数据进行有效的分析和应用变得越来越重要。因此,利用网络表示学习技术处理图数据己成为当下研究热点。网络表示学习(NRL)旨在将图的顶点映射到低维空间,从而保留网络结构及其固有属性。用于网络表示的大多数现有方法采用浅模型,其具有相对有限的捕获高度非线性网络结构的能力,导致次优网络表示。因此,探索如何有效捕获高度非线性网络结构并保留NRL中的全局和局部结构是非常重要的。为了解决这个问题,本文提出了一种新的图卷积自动编码器体系结构,该体系结构是基于深度的图结构表示,称为基于深度的子图卷积自动编码器(DS-CAE),它集成了全局拓扑、图中的局部连接结构信息以及结点自带特征信息。DS-CAE模型首先将图形分解为一系列以每个顶点为根的K层扩展子图,旨在更好地捕获远程顶点相互依赖性。然后,一组卷积滤波器在顶点的整个子图集上滑动以提取局部结构连通性信息,这类似于对网格数据的标准卷积运算。与大多数用于图形结构数据的无监督学习的现有模型相比,本文所提模型可以通过同时将节点特征和网络结构集成到网络表示学习中来捕获高度非线性结构。实验结果表明,该算法具备较强的表示学习能力,显著提高了许多基准数据集的预测性能并具有良好的可视化表现。