深度学习已经在欧式数据中取得了很大的成功,例如图像处理、计算机视觉和自然语言处理等。但在实际应用中,许多问题可以自然地建模为图,以表示具有不规则分布的非欧式数据。由于图的结构复杂,图机器学习面临的挑战之一是找到一种有效的方法整合图中包含的节点信息和拓扑信息构建神经网络模型。图神经网络最早提出将神经网络扩展用于处理图域中数据，定义每个节点通过其邻域状态的加权和来更新节点的状态,为后续研究奠定了研究框架。图卷积神经网络及其变体在图节点分类、链路预测和图表示方面取得了巨大的成功,但它的潜在问题:过度平滑、非最优拓扑关系和层级特性节点阻碍其发展。图网络层级信息挖掘的目的是探索图神经网络层级特性信息以及聚合更优的邻域信息,从而提高图神经网络在图结构数据和非图结构数据上的建模能力。现有的方法通过正则化方法和架构调整方法改进图卷积网络,正则化方法关注图节点信息聚合,架构调整方法关注层级之间的信息融合。然而,这些方法很少考虑层级特性节点的判别信息（仅在一个层中可以正确地分类某些特定节点,并且在深度图卷积网络的其他层中是错误分类节点）,以补充邻域拓扑信息。因此本文从图学习、注意力机制和集成学习等方面对图网络层级信息进行挖掘,改善模型的表征能力。主要的研究如下:（1）基于图学习框架,本文构建了深度图层级信息挖掘卷积网络,设计了度量拓扑邻域排序信息的图修正模块和残差恒等映射的图卷积模块，考虑分层特征节点的判别信息用于补充邻域拓扑。图卷积模块着重于节点邻域信息的传播和聚合,以残差机制和初始映射减弱过度平滑问题。图修正模块使用Top排序方法对节点的高阶距离度量进行去噪和优化,以邻域排序方式获得各层节点之间的全局相似性,从而修改图的拓扑结构。这两个模块的迭代交互融合局部节点邻域信息和全局节点相似度信息。（2）基于集成学习投票机制,本文构建了图神经网络集成模块,以不同深度的图神经网络作为个体学习器,以投票机制对个体学习器的分类结果做修正,以此挖掘不同深度模型之间的互补分类能力。实验表明,不同深度的图神经网络模型具有分互补的分类能力,不同深度下可分类的节点存在相同与不同,基于投票机制修正后可以获得相比于个体分类器更好的分类结果。（3）基于注意力机制,本文实验以注意力机制方式聚合图卷积网络高阶层级特征和低阶层级特征,挖掘图神经网络层级特征信息的差异性和相关性。在图神经网络中,浅层模型受节点特性影响较大,更关注于节点的局部信息,而深层模型则受到图拓扑结构的影响,更关注于图全局信息。实验设计了适用于图神经网络处理层级特征融合的AFM+（Attention Feature Addition Module）和 AFM-（Attention Feature Subtraction Module）。实验表明层级节点特征通过注意力机制融合能够极大减弱模型深度增加分类性能下降的过度平滑问题。同时我们对比了现有的相关图卷积层级融合网络,证明了本文提出特征融合模块的有效性。通过实验对比本文提出的方法和现有图神经网络在引文网络数据集和图像数据集的分类结果,表明本文网络获得了优越的分类性能。特别的,本文所提出的深度图网络层级信息挖掘卷积网络在服装分类数据集具有良好的分类能力。同时本文也对图神经网络层级信息挖掘的研究方向作以展望,图神经网络层级信息挖掘是图神经网络一个需要重点研究的方向,通过层级信息探索,我们对于图神经网络的表达能力能够进一步提高,同时能够极大缓解图神经网络中的过度平滑、非最优拓扑和层级特性节点等特有问题,能够进一步提高图神经网络在实际中的应用。