图神经网络研究是当前深度学习领域研究的热点之一。图神经网络的分类鲁棒性一直是图神经网络研究的前沿课题,其对于提高图神经网络模型的分类性能和可扩展性有着重要意义。针对图神经网络的分类鲁棒性的问题,本文从因果推断的角度出发,提出基于因果采样的图神经网络研究。具体工作如下:首先,提出一种在图数据上的因果采样方式。建立图数据中节点、标签、扰动之间的因果模型,通过后门准则切断此因果模型中的后门路径,得到该模型上的干预公式。使用核概率密度估计函数对干预公式进行估计,获得图中节点相对于标签的因果权重。通过因果权重实现对图上节点的非均匀采样。其次,根据GraphSAGE模型先采样后聚合的特点,提出基于因果采样的因果GraphSAGE模型。通过分析GraphSAGE模型因随机采样与外部扰动导致的因果混淆问题,建立GraphSAGE上有向无环的因果模型。对此模型使用后门准则,并将因果采样引入到GraphSAGE的采样过程中,采样到具有因果性的节点集合。随后通过训练一组聚合函数来获得节点的嵌入表示并应用于分类任务中。在Cora,Pubmed,Citeseer数据集上的扰动实验中,因果GraphSAGE模型的分类准确率比GraphSAGE模型提升了6.2%、7.5%和5.9%。最后,根据图注意力网络通过注意力系数对邻域聚合的特点,提出了基于因果采样的因果图注意力网络模型。通过分析图注意力网络模型内在的因果问题,结合外部扰动使注意力系数损坏而导致的因果混淆问题,建立图注意力网络上的有向无环因果模型。对此模型使用后门准则,并在图注意力层中引入因果采样机制,通过因果采样获得因果性的注意力邻域集合。在Cora,Pubmed,Citeseer数据集上的扰动实验中,因果图注意力网络的分类准确率比图注意力网络模型提升了6.5%、6.8%和6.0%。