图是复杂系统中常用的信息载体,可以表示现实中许多复杂关系,如社交网络、犯罪网络等。图中蕴含大量有价值的信息,通过高效的方式对图进行分析和挖掘,具有重大现实意义。基于深度学习的图嵌入模型具有较强的表征能力,能够有效建模非线性结构,生成保留原始图信息的低维向量。图卷积自编码器是近年常用的图深度学习模型,其利用节点间信息传递生成保留任意深度邻域特征的低维嵌入,提升图分析任务表现。但是图卷积自编码器模型普遍存在保留原始图信息能力有限、模型随深度增加性能下降的问题。因此,本文分别提出两类模型改善上述问题,并用于犯罪网络分析任务。针对图卷积自编码器模型保留原始图信息能力有限的问题,本文提出了基于多通道图卷积自编码器的MC-GCAE。首先,构建特定信息卷积编码器和一致信息卷积编码器分别提取属性特征、拓扑特征以及二者关联特征,并构建对称卷积解码器还原编码过程;然后,使用重构损失、局部约束和一致性约束优化各编码器生成的嵌入;最后,将蕴含不同信息的嵌入进行融合,生成节点表示。公开数据集的实验结果表明,MC-GCAE能够有效保留原始图信息,提升节点分类、节点聚类和可视化任务的实验表现。针对图卷积自编码器模型随深度增加性能下降的问题,本文提出了基于One-Shot聚合自编码器和二阶信息的OS-Se VAE和OS-Se AE。首先,使用One-Shot聚合和指数线性函数改善深层模型的梯度更新,避免过平滑;然后,在损失函数中引入正则化项,防止深度增加导致参数过拟合;最后,构建提取节点二阶邻域特征的图卷积层,进一步增强模型表征能力。公开数据集的实验结果表明,OS-Se VAE和OS-Se AE能够有效改善深层模型性能,保留丰富的结构信息,提升链接预测任务的实验表现。针对基于人工分析和统计学算法的警务数据分析方法处理较大规模犯罪网络能力有限的问题,本文使用图嵌入模型挖掘犯罪网络信息。首先,对真实案件中犯罪组织有关信息进行预处理,构建犯罪网络数据集;然后,使用本文构建的图嵌入模型提取犯罪网络特征,生成保留犯罪网络相关信息的低维嵌入;最后,使用低维嵌入实现犯罪组织成员身份预测和犯罪组织成员关系预测任务。犯罪网络的实验结果表明,本文提出的图嵌入模型具有优秀的预测效果和稳定性,能够为后续情报分析工作提供有益信息。