图神经网络（Graph Neural Networks, GNNs）在众多基于图的任务中取得了令人瞩目的性能表现。尽管如此，GNNs 仍面临一个严重局限性——过平滑问题（即不同类别节点的表示趋于不可区分）。在本工作中，我们对 GNNs 的过平滑问题进行了系统且定量的研究。首先，我们提出了两个定量指标——MAD（Mean Absolute Deviation）与 MADGap，分别用于衡量节点表示的平滑程度和过平滑程度。随后，我们验证了平滑性是 GNN 的固有特性，而导致过平滑的关键因素在于节点接收到的消息中信息与噪声比（information-to-noise ratio）较低，这一比率在一定程度上由图的拓扑结构决定。最后，我们从图拓扑视角出发，提出了两种缓解过平滑问题的方法：（1）MADReg，通过在训练目标中引入基于 MADGap 的正则项；（2）AdaGraph，基于模型预测结果对图拓扑结构进行动态优化。在 7 个广泛使用的图数据集上，结合 10 种典型的 GNN 模型进行的大量实验表明，所提出的两种方法能够有效缓解过平滑问题，从而显著提升各类 GNN 模型的性能。