图是一种当今受到广泛关注的数据重要呈现形式,为了处理高维稀疏的图数据,网络表示学习将其映射到低维空间中,在保留原网络有效信息的同时降低了网络信息的存储成本,便于完成后续的分析任务。图卷积神经网络不仅保留了卷积神经网络强大的表征提取能力,还能够有效的处理不规则图数据,是近期的研究热点。基于拓扑优化的图卷积网络是一类旨在通过优化网络拓扑结构来逼近节点真实联系状态的图卷积神经网络模型。当前对基于拓扑优化的图卷积网络模型的研究面临诸多挑战:（1）主要注重优化相邻节点之间的关联权重,却忽略了网络全局结构信息对节点表征的影响,不能很好的处理信息缺失下引起的分类性能下降的问题。（2）仅对节点结构链接关系形成的信息传播路径进行优化,却没有考虑属性相似节点的信息交互对节点表示的影响。针对上述问题,本文对其中一个具有代表性的模型:图学习卷积网络（GLCN）进行了如下改进工作:针对第一个问题,本文提出融合全局结构信息的拓扑优化图卷积网络（Global Structural Information Enhanced Topology Optimization Graph Convolutional Network,GE-TOGCN）,将类向量作为全局结构信息引入到模型中,首先利用每类的标记节点计算可靠的初始类中心向量;然后抽取部分未标记标签对类中心向量进行修正,使其能更真实的反映类内节点的整体类信息;最后使用更新后的类中心向量更新节点表示,并使用半监督损失约束类中心向量。在Cora与Citeseer两个真实网络数据集进行实验,通过在标签信息缺失的情况下进行的节点分类任务与节点可视化任务效果来评估模型的性能,实验表明该模型能减少标签信息缺失对原模型学习效果的影响,同时能够使节点表现出更明显的类特征。针对第二个问题,本文提出双空间拓扑优化图卷积网络（Double-Space Topology Optimization Graph Convolutional Network,DC-TOGCN）,利用KNN算法构建属性图,在拓扑与属性两个空间中同时进行图拓扑优化,并引入一个共享图卷积模块来学习拓扑与属性空间的深层关联信息。在Citeseer,ACM,Blog Catalog数据集中进行了节点分类与节点可视化任务,结果表明属性空间与关联信息中节点表征的学习可帮助节点学习到更准确的类信息,节点可视化任务结果表明节点可呈现更清晰的类簇关系。