在现实世界中,存在大量的网络结构的数据。网络结构会带有若干属性,通常包括节点的信息、边的信息以及网络全局的信息等等。其中,节点的信息会用来描述节点的特征以及状态,例如在一个社交网络中,用户节点的信息就包括用户的身份信息、兴趣爱好等等,而边的信息会用来描述两个节点之间的关系,例如两个用户之间的亲密程度或者用户和商品之间的吸引度,这些信息分别是网络节点的属性以及边的属性,总的称为网络属性。通过研究和掌握网络属性,可以进行不同的任务得到关于网络的潜在信息。但是,网络属性往往是不完整的,这会导致对网络的了解程度下降,不利于挖掘网络潜在的信息。针对缺失的网络属性,通过人为的定点恢复会造成大量的成本损耗,特别是不适用于大规模的网络中。网络属性预测就是想要通过网络中已知的属性,根据具体的算法来预测网络中未知的属性,目的是减少各种成本的损耗,提高未知属性预测的精准度,从而高效的得到网络完整的属性。本文会着眼于网络属性预测问题中的两个子问题,分别是网络链路关系的预测以及网络节点缺失属性的预测。这两种属性分别属于网络属性中边的信息以及节点的信息,链路预测是通过已知的网络属性来预测未知的节点对之间的关系,节点缺失属性预测是根据已知的网络属性来预测节点属性中未知的部分。针对这两个子问题,现有的算法没有有效考虑网络的结构信息以及网络局部的依赖性和相关性。针对上述问题,本文提出了基于图神经网络的网络链路关系预测算法和基于图神经网络的网络节点缺失属性预测算法。首先,本文提出了一种基于双层图神经网络模型的Dual-Graphlrp模型框架,通过消息传递机制来获取图节点的空间结构信息以及属性信息,学习得到关于节点的嵌入向量,构建一种针对两两图节点嵌入向量组合的关系提取器来学习得到两个节点之间的关系,从而预测网络的链路关系。其次,本文提出了一种利用学习得到的图结构进行图自动编码的节点缺失属性预测模型,通过图结构学习算法和图采样算法,得到一个可以反应节点相关性的稀疏图结构,利用带有编码解码过程的图自动编码模型重构得到节点的属性。通过不同场景的实验验证,表明本文提出的算法可以有效预测网络的链路关系以及节点的缺失属性,通过将网络结构信息、网络局部相关性信息和深度学习模型结合可以对网络属性预测起到较大的性能提升。