图作为一种描述事物与事物之间关系的数据结构,常常被用来表征复杂的数据关系。基于图结构的节点分类任务在社交、政治和生物工程等等多个领域均有应用。在实际应用中,为了充分利用未标注数据以及保持图型结构数据的完整性,图的节点分类任务通常采用半监督分类的形式。然而,由于受到数据采样偏差和其他客观原因的影响,标注数据在类别之间的分布往往是不平衡的。目前已有的图的半监督分类方法在不平衡数据集上的适应性比较差。大多数图神经网络方法完全未考虑类别不平衡的问题,在聚合特征信息的过程中没有区分多数类和少数类标注数据的重要性,易使得属于少数类的样本更可能被误分类为多数类。另外,一些深度图神经网络方法在信息聚合的过程中存在不同类别的节点特征趋同的问题,导致分类效果下降。针对图神经网络方法在聚合特征信息过程中不区分多数类和少数类的问题,本文提出了聚合尺度自适应的图神经网络方法ASAGNN,该方法根据节点与标注节点在图结构上的相对位置为不同的节点设计不同的聚合尺度,使得属于少数类的标注样本的特征信息有更多的机会被其较远的邻域节点使用,从而降低少数类被误分为多数类的可能。针对一些深度的图神经网络方法引起的特征不可区分的问题,本文提出了ClusteringGCN方法,该方法根据节点的原始特征对原始图进行聚类,并对子图和原始图分别应用GCN模型的图卷积层。ClusteringGCN方法增强了节点的原始特征在分类过程的作用,保证聚合特征后的节点特征的可区分性,达到减缓过度平滑的目的。此外,本文尝试将常用的处理不平衡数据集的方法应用到不平衡图的半监督分类问题中。本文提出了图过采样方法,该方法为少数类生成新的样本点来优化图的结构,并利用代价敏感技术来改进图的半监督分类模型。为了验证上述方法的有效性,本文在Cora、Citeseer和Pubmed基准数据集上进行实验。实验结果表明ASAGNN方法和ClusteringGCN方法优于多种常用的方法;图过采样和代价敏感技术的应用可以有效提高半监督分类模型在不平衡图上的性能;尤其结合代价敏感技术的ASAGNN方法在大多数数据集上的表现都优于其他方法。