在软件生命周期中,类与类之间的关系不断发生变化,不合理的类关系设计将严重降低软件质量,导致系统维护成本增加。此外,软件中的缺陷会随着类之间关系形成级联传播效应,导致整个系统受到影响。因此,在软件开发过程中,如何及时并准确预测类之间合理关系成为软件工程领域迫切需要解决的问题。在软件项目中,类之间关系可以建模成软件网络,节点表示类,边表示的是两个类之间的关系。在软件网络中,已有的类之间关系预测研究主要利用了复杂网络理论和社会网络分析,随着深度学习的不断发展,神经网络改变了人工提取特征来获取信息的局面,而图神经网络也被应用于自动处理图数据,这为类间关系预测提供了一个新视角。所以,本文尝试在软件网络里利用图神经网络进行节点特征学习,实现软件中类间关系的预测,具体工作如下:（1）构建一个基于图自编码器模型,实现类间关系预测。通过对源代码解析,构建类粒度软件网络,利用网络嵌入学习得到类节点低维嵌入向量,并作为编码器的输入,将类节点编码特征作为解码器的输入,最后为每个节点对解码得到评估值。在五个实际应用的Java开源项目上的实验结果显示,本方法相比于其它方法AUC和AP值平均提升了5.6%和5.5%,说明图神经网络方法具有较好的类间关系预测效果。（2）提出一种图中图神经网络模型对类间关系进一步预测。软件系统结构是多粒度的,类与类之间关系体现为类外部图,而类的内部方法、属性之间的关系也是一种网络结构,表现为类内部图,即图中图结构。首先对类内部图方法及属性节点卷积得到类节点初始特征,再通过类外部图卷积得到类节点的特征向量,最后计算节点间边的评估值。在六个实际应用的Java开源项目上的实验结果显示,所提出的图中图模型与其它对比方法,AUC和AP值平均提升了22.1%和20.7%,验证了所提方法的有效性。研究成果可以应用于指导软件开发过程中合理类间关系设计,提高软件的质量。