图挖掘是数据挖掘的一个重要研究领域。随着对结构化数据分析需求的大量增加,图挖掘中的图分类问题已经成为数据挖掘领域中的重要研究课题。目前,用于图分类的子图分布算法研究主要应用在生物和化学领域判断物质是否致癌、有毒等分类问题上。随着信息技术的发展,在情报学、入侵检测、社会网络等领域中子图分布算法将有广泛的应用前景。子图分布算法亟待解决的问题是如何提取更多有效的分类特征,进而提高图分类的准确性,本文在分析了用于图分类的子图分布算法研究现状的基础上,根据存在的问题进行了如下研究。首先,针对Graphlet模型计算的子图分布用于图分类时,因忽略图中顶点标签,导致分类特征过少而影响图分类准确性的问题,本文基于零模型提出了标签零模型,增加图中顶点标签特征,并证明标签零模型用于图分类的有效性。同时,为量化标签子图的分布信息,确定采样量。引用信息熵的概念,提出了信息提取比,并给出可信度计算方法。根据信息提取比间接确定样本量,作为算法终止条件。其次,针对直接计算标签子图分布,需要反复多次进行图同构测试,导致时间复杂度较高的问题,在标签零模型基础上提出了两个算法,其中为了减少图搜索提出了用于构建图索引的BGLI算法,并基于BGLI算法提出了计算标签子图分布的ESGS算法,并在Spark上实现。最后,通过实验验证了标签零模型用于图分类的有效性,以及可根据信息提取比间接确定样本量减少不必要计算,并对基于标签零模型的ESGS算法提取的子图进行图向量化后作为分类特征用于图分类的准确性进行了实验验证。