随着计算能力的大幅提高,深度学习迎来了热潮,在各种领域都取得了巨大的成功。特别以卷积神经网络为代表的深度神经网络在图像、文本以及语音等应用中都取得了令人意想不到的效果,这也得益于卷积神经网络强大的建模能力。然而卷积神经网络只能处理欧式数据,对于图这类非欧式数据是不适用的。图数据的应用广泛,诸如社会分析、蛋白质结构预测、交通流量分析等任务都需要将数据建模成图结构。随着图的研究越来越深入,传统的机器学习模型简单、效率不高的问题逐渐凸显,其对于图的处理已经不能满足人们的需求。在深度学习的驱动下,图卷积神经网络应运而生。图卷积神经网络是卷积神经网络一种成功的推广,旨在将卷积的思想应用到图的处理中,提高在图数据上学习模型的效率。同时,在复杂的图数据中蕴含着丰富的信息,如今大多数的图卷积神经网络都只注重模型的设计,而忽略了如何充分挖掘有效的信息来增强模型的能力。基于此,为了有效利用图结构中的信息,本文重点研究信息融合的图卷积神经网络算法,主要包含以下两个方面的工作:1)提出了一种节点信息与边信息融合的图卷积神经网络算法（Edge-Aware Graph Attention Network,EAGAT）。该算法是在解决蜂窝移动网络中的边缘用户比率问题的背景下提出的,算法以图注意网络为主干架,并引入边信息加入注意力机制中进行建模,进而对边缘用户比率进行预测。本文在两个现实世界中的蜂窝移动网络数据上验证了所提出方法的有效性。2)提出了一种特征信息与标签信息融合的图卷积神经网络算法（Label-Guided Grpah Convolutional Network,LGGCN）。算法提出的背景是基于图的半监督学习。算法基于图卷积网络,通过传统的半监督学习方法引入伪标签用于指导图卷积网络的学习,同时也使用图卷积网络得到的隐层表示指导半监督学习的分类。本文在三个公共的引文网络数据集上验证了所提出方法的有效性。