图神经网络（Graph Neural Network）是一种作用于图状数据结构上的深度神经网络。本质上,图神经网络通过了图节点之间的信息传递,从而捕捉到全局图的结构信息。其中,每个节点在其卷积层中聚合了来自邻居节点的特征。本文将图神经网络方法应用于计算机视觉领域中的目标检测与识别任务之中。该任务要求定位特定图片中物体的位置,并通过识别算法给出物品的类别标签。目前,常用的目标检测与识别模型往往基于卷积神经网络（Convolutional Neural Network）,该类模型大多仅能通过分析图片底层的像素信息进行物体的定位与分类识别。而基于图神经网络的方法能够依靠图片的空间位置或者语义信息对物体进行检测。该类算法的好处在于通过构建图状数据结构（如空间图,知识图谱,超像素图）,模型能够获得额外特征。而这些特征又能辅助提高目标检测与识别的精准度。因此,本文提出了多个算法并深度讨论了图神经网络在目标检测与识别上的应用。首先,本文提出了基于图像空间信息的图神经网络算法。该网络通过依靠图像自身的物体空间关系,对物体的类型以及具体位置进行合理的判断。模型采用了双通道结构,以U-NET为像素模块提取图像像素信息,并以图卷积网络提取图像空间关系。最后通过一个特殊的门控机制将两个特征相互融合得到最终的输出。其次,本文提出了基于超像素的残差图神经网络算法。该算法通过聚类图像中的像素点,将大规模的像素数据转化为几十个超像素块实现了任务规模的压缩。模型通过超像素块的位置与像素关系构建超像素图。并采用了基于残差的图神经网络结构,解决了图神经网络的过平滑问题。实现了对目标的检测任务。本文还提出了基于知识图谱的门控图神经网络算法。通过知识图谱进行语义级别的推理,实现了对难以识别的物体的精准判别。模型还通过研究知识图谱上点的相似度,提出了语义一致性模型,该模型能够更为精准的判定图像是否适合进行知识推理,以此进一步提高模型的识别性能。最后,本文基于COCO数据集以及VG数据集设计了多个对比实验。数据表明,基于图像空间信息和基于知识图谱的目标检测与识别模型在识别性能上较基线模型有大幅的提升。而基于超像素的目标检测与识别模型也能有效减少模型的浮点运算量,减小模型的复杂程度。