图神经网络（Graph Neural Networks, GNNs）通过引入基于关系归纳偏置（同质性假设）的图结构，扩展了传统神经网络（Neural Networks, NNs）的能力。尽管GNNs在实际任务中被认为优于不考虑图结构的NNs，但其相对于图无关的NNs在性能上的提升并不总是显著。异质性（heterophily）被认为是导致这一现象的主要原因，为此已有大量研究致力于缓解该问题。本文首先指出，并非所有异质性情形都会对具有聚合操作的GNNs产生负面影响。随后，我们提出了一种基于相似性矩阵的新度量方法，该方法综合考虑了图结构与输入特征对GNN性能的共同影响。在合成图上的实验表明，该度量方法相较于常用的同质性度量具有更优的表现。基于新度量结果与实际观察，我们发现某些有害的异质性情形可通过引入多样化操作（diversification operation）加以缓解。结合这一发现与滤波器组（filterbank）的相关知识，本文进一步提出自适应通道混合（Adaptive Channel Mixing, ACM）框架，该框架能够在每一层GNN中自适应地融合聚合、多样化与恒等映射（identity）三种通道机制，以有效应对有害异质性。我们在10个真实世界的节点分类任务上对ACM增强的基线模型进行了验证，结果表明，ACM在不带来显著计算开销的前提下，持续实现了显著的性能提升，并在多数任务上超越了当前最先进的GNN模型。