图匹配是图论中的一个基本问题。随着人工智能的发展,图匹配得到了越来越多的关注,被广泛应用在计算机视觉和模式识别等领域。该问题是指在两个图之间寻找节点与节点的对应关系,本质上是一个难于求得全局最优解的组合优化问题,因此目前大多数算法的提出均集中在牺牲一定的准确度,使模型在可承受的时间、空间范围内求取近似解。鉴于此,本文的重点研究内容是找到一个匹配准确度和运行效率更高的图匹配算法。本文将近几年国内外提出的一些经典的图匹配算法分为两类,分别是基于传统机器学习的方法和基于学习的方法,经过对比和分析后,发现前者大多数依靠人工设计相似度函数,相对主观,会带来一定的误差,而后者利用学习出的相似度函数更加自然地反映出图结构内部的关系。除此之外,图规模、噪声、外点等因素也会在一定程度上影响图匹配的准确度。为了避免上述隐含误差和外界因素的干扰,本文决定使用深度学习的方式,引入擅长处理图结构的图神经网络,在数据驱动下学习出一个泛化能力强、对外界条件鲁棒的图匹配模型。主要工作包括以下两个方面:（1）设计了基于图卷积网络的图匹配算法,生成了一个端到端的网络通道,由构建映射图模块、编码器模块、图卷积模块、解码器模块、损失函数模块组成。在构建映射图模块中,将两个待匹配的图通过新建的外边构建到一个映射图中,将图匹配问题转化为对映射图的外边进行分类的问题,相比于以往算法的构图方式,本文将映射图的节点空间复杂度由O（n2）降到O（n）,边缘空间复杂度由O（n4）降到O（n2）,节省了算法运行时的内存开销。在图卷积模块中,为了使聚合信息的过程更高效,根据映射图的结构,改进了卷积函数的运算方式,这也在一定程度上缩短了运行耗时。（2）探究了形变噪声、内点数量、外点数量等场景的变化对图匹配算法匹配效果的影响。在Synthetic 2D Points、Pascal VOC、Willow等多个数据集上使用控制变量法做了多组实验,结果表明,本文算法在匹配准确率和运行时长两个评价指标中综合表现的最好。