图结构数据广泛的存在于现实世界中,引文网络、社交网络和交通运输网络等就是典型的图结构数据。节点分类是图领域中最常见也是最重要的任务之一,该任务给定图中某些节点的类别标签,从而预测出其他没有标签的节点所属的类别。图卷积网络是卷积神经网络在图领域的拓展,它解决了传统卷积神经网络无法处理非欧几里得结构数据的问题,在处理图和网络数据上已经得到了广泛的应用。节点特征和拓扑结构都是图结构数据中重要的信息,然而,最近的一些研究实验表明,现有的图卷积网络无法很好地融合节点特征和拓扑结构。具体而言,由于某些稀疏性和噪声,导致同类节点可能相隔很远,不同类节点直接相连,而图卷积网络并未考虑这些现象。此外,当前大多数图神经网络只学习节点的特征而往往忽略了对边的关注,研究人员发现对边进行学习可以更好地获取图信息。最后,传统的图神经网络面临着一些难以避免的问题,如过度平滑问题等。针对以上发现,本文设计了两个可以提升节点特征和拓扑结构融合能力的神经网络算法,具体方法如下:（1）针对现有的图卷积网络无法很好地融合节点特征和拓扑结构,本文提出了一种用于节点分类的基于十字交叉单元的图卷积网络模型。为了能够更有效地利用图结构数据中的节点特征和拓扑结构,将用于传统卷积神经网络中的十字交叉单元引入到图卷积网络模型中。十字交叉网络在节点特征、拓扑结构之间传播特定的信息或知识,并通过同时集成节点特征和拓扑结构的组合的信息来获得一致的学习和表示。因此,十字交叉网络可以通过多种渠道捕捉所有图中的各种渠道信息。其次,在模型中引入了注意力机制,旨在自适应地学习渠道嵌入的权重。此外,利用特征选择方法对数据进行降噪并缓解稀疏性。（2）针对传统的图神经网络面临着难以避免的过度平滑问题,本文提出了一种用于节点分类的基于协同注意力机制的序列神经网络模型。首先,通过设计两种Graph Transformer架构来分别学习拓扑结构图和节点特征图,将图中的节点特征和拓扑结构分别放入两个不同的Graph Transformer中,它们分别通过自注意力机制运算。然后,将得到的节点嵌入结果通过协同注意力机制运算并将结果送入一个前馈神经网络中。将上述流程看作一次协同注意力运算,重复训练多次后即可充分提取图结构数据中的节点特征和拓扑结构的融合信息。最后,用两个超参数通过注意力机制自适应地学习各个损失的权重,通过计算节点特征的分布概率,计算真实标签与预测标签的交叉熵损失来学习节点分类。值得注意的是,为了更好的挖掘图信息,在本算法还对边进行了学习。为了验证论文中模型的有效性,通过在六个基准数据集上分别做实验并对实验进行综合性分析,在不同的评估指标上,提出的方法都取得了较好的结果。