图神经网络作为一种基于深度学习处理图数据的方法,端到端的学习方式使其具有了良好的推理能力和可解释性,并在多个领域得到了广泛的应用。随着大数据时代的到来,图数据规模急剧增长,图神经网络结构也变得更加复杂,但现实应用对图神经网络训练推理速度的要求却与日俱增。为了提升图神经网络计算速度,学术界与工业界提出了一系列的图神经网络计算系统,并利用GPU加速计算。但GPU的内存容量有限,为实现基于GPU的大规模图神经网络训练和推理,邻居采样、聚类采样等多种采样方法和基于采样的图神经网络训练推理流程被提出。虽然图神经网络计算系统众多,但图神经网络训练与推理一直存在突出的计算效率问题。现有图神经网络计算性能瓶颈分析的相关工作多只关注于推理阶段,缺乏对训练阶段的分析,也没有考虑采样方法对性能瓶颈的影响。同时,现有图神经网络计算性能的优化工作多关注于提升计算速度,缺乏对基于GPU的图神经网络计算存在的内存溢出风险的重视。针对上述问题,通过一系列的对比分析,对基于GPU的图神经网络计算过程中存在的计算性能瓶颈进行了系统性的分析研究。根据分析中发现的计算效率方面的性能瓶颈,进一步研究提出了基于流水线并行的图神经网络训练与推理流程优化方法和面向内存受限环境的图神经训练推理流程优化方法。本文的研究内容和主要贡献点包括以下几个方面:（1）研究设计了一系列实验,对基于GPU的图神经网络计算性能瓶颈进行了系统性的分析。依据计算复杂度选择了四个代表性的图神经网络算法GCN、GGNN、GAT、Ga AN进行评估,从算法超参数对性能的影响、时间分解分析、内存使用分析以及采样方法对性能的影响等四个方面,开展了相关实验分析研究。（2）实验分析发现边计算是大多数图神经网络计算的性能瓶颈,边计算的较高内存开销制约了图神经网络的数据可扩展性。实验结果表明采样方法可显著降低训练推理过程中的内存使用,但现有基于采样的图神经网络训练推理流程存在额外计算开销高、GPU利用率低的问题,采样过程内在的随机性导致不同批次采样子图规模差异较大,个别批次易出现内存溢出的风险。（3）针对图神经网络训练推理过程中GPU利用率低和训练中评估步骤耗时长的问题,研究提出了基于流水线并行的图神经网络训练推理流程优化方法,利用流水线机制实现采样过程、采样子图的传输过程与采样子图的训练推理过程的并发执行,充分利用了CPU和GPU的计算资源,同时实现了训练与评估步骤的流水线并行优化来加速训练过程。实验结果表明,该优化方法可以有效降低计算耗时,实现训练与推理过程的加速。（4）针对图神经网络训练推理过程中不同批次的内存开销波动较大、个别批次可能出现内存溢出的风险的问题,研究提出了面向内存受限环境的图神经网络训练与推理流程优化方法,基于内存开销预测模型,识别可能带来内存溢出风险的采样子图,并针对这些子图提出了基于度数和Page Rank的超限子图剪枝策略。剪枝策略通过缩减子图规模确保该批次的内存开销小于GPU内存容量上限。实验结果表明,本文提出的基于线性模型的内存开销预测模型的准确率在99%以上,基于随机森林的内存开销预测模型准确率高达95%。基于度数和Page Rank的超限子图剪枝策略能有效限制采样子图的内存开销,避免了训练与推理过程中存在的内存溢出风险,其对图神经网络模型精度的影响低于随机剪枝策略。