现有的图神经网络在模型架构加深时，可能面临“停滞动画问题”（suspended animation problem）。然而，在某些图学习场景中，例如节点具有文本或图像属性，或图中存在长距离节点关联时，深度图神经网络对于实现有效的图表示学习至关重要。本文提出一种新型图神经网络——DIFNET（图扩散神经网络），用于图表示学习与节点分类任务。DIFNET通过结合神经门控机制与图残差学习来建模节点隐藏状态，并引入注意力机制以实现节点邻域信息的有效扩散。本文将通过大量实验，将DIFNET与多种前沿图神经网络模型进行对比。实验结果表明，DIFNET在学习性能方面具有显著优势，尤其在缓解“停滞动画问题”方面表现出优异的有效性。