近年来，受实际应用场景的驱动，图神经网络（GNNs）的一个重要研究方向是探索更深的网络结构。例如，在许多实际场景中，图的拓扑连接性与标签分布并不一致（如某些节点的最近邻并非同类别节点）。在此情况下，GNN需要堆叠更多层，通过更长的路径寻找同类别邻居，以捕捉具有类别判别性的信息。然而，深度GNN的性能提升受到两大关键问题的制约，即梯度消失与过平滑（over-smoothing）问题。一方面，随着网络层数的增加，神经网络的训练变得困难，因为前几层的梯度容易消失。此外，若仅简单地缓解梯度消失问题，我们发现会出现“阴影邻居效应”（shading neighbors effect）——即不恰当地堆叠层会扭曲图结构中非独立同分布（non-IID）的信息，从而导致GNN性能下降。另一方面，深度GNN在信息聚合过程中会从大量公共邻居中获取信息，导致各节点的表示向量之间共享过多重叠特征，使得最终输出的表示缺乏判别性，即出现过度平滑现象。本文首次同时针对上述两个核心问题，提出了一种名为Deeper-GXX的新方法。该方法由两个核心模块构成：权重衰减图残差连接模块（Weight-Decaying Graph Residual Connection, WDG-ResNet）和拓扑引导图对比损失函数（Topology-Guided Graph Contrastive Loss, TGCL）。WDG-ResNet通过引入动态权重衰减机制，有效缓解梯度消失问题，同时抑制阴影邻居效应；TGCL则利用图的拓扑结构引导对比学习，增强节点表示的判别能力，抑制过平滑。在多个真实世界数据集上的大量实验结果表明，Deeper-GXX显著优于现有的先进深度GNN基线方法，验证了其在构建深层图神经网络方面的有效性与优越性。