图神经网络（Graph Neural Networks,GNNs）是图深度学习的核心模型，但传统的GNNs模型在处理半监督分类任务中存在着局限性，如：仅能卷积两阶的邻居，无法充分捕捉较远的节点信息、对图结构变化敏感以及卷积层数加深会产生过平滑等问题。针对以上问题，本文提出了一种新的图神经网络算法：多层信息自适应扩散融合图对比神经网络——Graph Contrastive Neural Network with Adaptive Diffusion Fusion for Multi-Layer Information(ADFGCNN)。首先，ADFGCNN中设计了一种新的图数据增强方法来防止过拟合；其次，提出了一种基于多层神经网络的信息自适应扩散融合的传播方式，使模型能够学习到更多的全局信息；最后，为了提高模型的泛化能力以及半监督节点分类任务的精度，加入一种正则化项。实验结果表明，ADFGCNN在分类任务中精度比传统模型高，并展现出了很好的泛化性，同时在过平滑实验中随着卷积层数增加也表现出非常稳定的性能。
