图是一种在现实生活中普遍存在的空间拓扑结构,因其特殊的结构方式得到了广泛的应用,但是在对其处理的过程中遇到了困难。而图卷积网络可以深入挖掘图中的节点信息和边信息,填补了拓扑结构数据处理方面的空白,于是得到了广大学者的青睐,其中节点分类问题具有重要的研究意义。在当前的图卷积网络研究中,存在两个问题:一个是图卷积网络节点信息完整性和网络训练效率之间的平衡问题。现有大部分图卷积网络,如Graph Convolutional Networks（GCN）、Simplifying Graph Convolutional Networks（SGC）,训练时所涉及的邻域范围较小,导致高阶邻居节点信息缺失。而那些能完整保留图结构信息的图卷积网络,例如Graph Attention Networks（GAT）,其训练速度较慢且消耗资源较多。另一个问题是谱图理论在有向图上的应用问题。现有的大部分图卷积网络,将有向图结构松弛为无向图以使谱分解能够正确运用,这样做导致图自身结构遭到破坏,使得重要信息丢失或信息冗余,影响图的学习任务。针对以上两个问题,本文做了如下研究:（1）针对第一个问题本文设计了一种基于特征累加的图卷积网络模型。首先根据基于随机游走的概率转移函数定义了邻接矩阵的高次幂,以此作为不同范围邻域节点的特征传播路径。然后利用新的拉普拉斯算子在不同邻域范围进行卷积操作,最后将得到的不同层次的特征信息进行融合,达到保全节点特征的目的。在真实数据集上的实验结果表明,本文的模型在一定的邻域范围内取得了较高的分类精度,缩短了训练时间。例如,在Pubmed数据集上分类准确率相对于基准算法提升了2.5%,训练时间由GAT的一个多小时缩短至几十秒。（2）针对第二个问题,本文从逻辑上将有向图拆分为出度视图和入度视图,作为两个单独的图结构,根据概率转移矩阵定义了带有出度和入度矩阵的拉普拉斯算子,而后分别对两个视图进行卷积操作,通过融合函数得到新的特征表示。在三个有向的引文网络数据集上的实验数据与基准算法对比结果表明,本文的方法能够有效提升有向图的分类精度。