节点分类作为图分析与挖掘中的一个热门研究方向,已被广泛用于分析社交网络、引文网络等。然而,实际应用中往往面临“标记数据少,未标记数据多”的问题,通过人工标记数据耗时耗力,显然已不适用于如今的大数据时代。为此,如何充分挖掘与融合关键的图结构信息,更有效地实现图节点的半监督分类具有较强的现实意义。当前,基于深度学习的网络表征方法取得了卓越成效。然而,现有的工作在每次更新节点向量表征时,大多基于直接相连的邻居节点信息而忽略了非直接相连的局部结构信息,从而造成一些有用信息的缺失。尽管堆叠多层网络可以涉及到高阶信息,但由于过平滑等问题的存在,使得多数方法均受限于模型的深度。此外,大部分工作在汇聚邻域节点信息时,通常只利用固定阶次的邻居信息,而不能根据具体情况灵活地适应邻域范围,导致融合到的邻域节点信息不够准确。因此,针对目前存在的主要问题和不足,本文提出了两种融合丰富局部邻域信息的改进图卷积网络模型,用于半监督节点分类任务。论文主要工作总结如下:（1）提出了基于拉普拉斯多项式的二阶邻域近似谱图卷积网络模型。结合切比雪夫截断展开式及规范化的拉普拉斯矩阵,通过对二阶近似谱图卷积模块的推导和简化,给出了一种融合丰富局部结构信息的改进图卷积公式。使得在每次更新节点表征时,模型不仅能融合直接邻域的有效信息,还能够从间接邻域中汇聚有利的局部结构信息。其次,介绍了如何将所构建的模型应用到图节点的半监督分类任务中,并在经典数据集上进行了大量的定量及定性实验。结果表明,本文方法与当前流行方法相比,取得了较好的分类效果,验证了模型的有效性。（2）提出了基于邻域适应性的图卷积网络模型。结合能量扩散理论,利用能量热核在图上构造了邻域适应性的卷积核,用于更好的刻画不同节点之间的关联性,使得模型可以根据给定的尺度参数,适应性的确定节点的邻域范围。在此基础上,通过进一步引入阈值机制来过滤自适应邻域中的部分噪声节点信息,以预留与目标节点更相关的邻居节点,使模型在卷积过程中能够更高效地融合有效的邻域节点信息。在多个经典引文数据集上进行大量实验,结果表明,本文提出的模型在多个节点分类任务中均取得了较好的分类效果。即使在低标记率的情况下,模型仍表现出了一定的优势,说明了模型的有效性和稳定性。